Java解析bz2文件,用java和python解析非常大的bz2xml文件（逐个元素）

我有一个20gbbz2xml文件。格式如下：

text text text ....

我需要以以下格式将其处理为tsv文件：

^{pr2}$

在python和java中最有效的方法是什么？它们之间有什么区别(内存效率和速度方面)。基本上我想这样做：read bz2 file

read the xml file element by element

for each element

retrieve id, url, title and text

print_to_file(idurltitleprocess(text))

感谢您提前回答。在

更新1(基于@Andreas的建议)：XMLInputFactory factory = XMLInputFactory.newFactory();

XMLStreamReader xmlReader = factory.createXMLStreamReader(in);

xmlReader.nextTag();

if (! xmlReader.getLocalName().equals("doc")) {

xmlReader.nextTag(); }

String id = xmlReader.getAttributeValue(null, "id");

String url = xmlReader.getAttributeValue(null, "url");

String title = xmlReader.getAttributeValue(null, "title");

String content = xmlReader.getElementText();

out.println(id + '\t' + content);

问题是我只得到第一个元素。在

UPDATE2(我最后用regex来做)：if (str.startsWith("

id = str.split("id")[1].substring(2).split("\"")[0];

url = str.split("url")[1].substring(2).split("\"")[0];

title = str.split("title")[1].substring(2).split("\"")[0];

}

else if (str.startsWith("

out.println(uniq_id + '\t' + contect);

content ="";

}

else {

content = content + " " + str;

}