xml 和 xml 解析

XML

1. XML 介绍

eXtensible Markup Language 可扩展标记语言，通常用于各种组件或者框架的配置文件，文件内容由各种标签组成

2. XML 与 HTML 区别

3. XML 组成

XML 文件由 7 个组成元素构成：

• 文档声明

  • 语法：以 <?xml 开头，以 ?> 结尾
  • 位置：必须在 XML 文件的第一行
  • 例子：<?xml version="1.0" encoding="UTF-8"?>
  • 三个属性：

  文档声明的三个属性	说明
  version	用于指定 XML 使用哪个版本，固定的写法 1.0
  enconding	指定当前 XML 编码
  standalone	yes/no 默认是 yes，这个 XML 文件是否是一个单独的文档

• 标签元素 Element

语法：有主体标签 < 标签 > 和无主体标签：< 标签/>
主体部分：分为有主体和无主体标签，主体部分可以包含文本或者元素
空元素：无主体标签也需要关闭
大小写：标签名区分大小写
命名不能有空格，不能有冒号
根元素：每个 XML 文档有且仅有一个根元素，

• 属性 Attribute

属性位置：必须放在开始标签中
属性的值必须使用双引号或单引号
在同一个标签不能出现多个同名的属性
命名中不能出现空格和冒号

• 注释 Comment
  • 与 HTML 注释相同，不可嵌套
• 转义字符（实体字符）

说明	字符	转义字符
小于	<	lt;
大于	>	gt;
双引号	"	quot;
单引号	'	apos;
与符号	&	amp;

• 字符数据区（用于显示大量特殊字符）
  • 格式：<![CDATA[ 文本数据 ]]>
  • 可以让某些字符不被 XML 解析，始终作为纯文本来操作
• 处理指令（不常用）
  • 格式：<?xml-stylesheet 属性=""... ?>
  • 作用：处理指令，简称 PI（Processing instruction）用来指挥解析引擎如何解析 XML 文档

4. XML 作用

主要用于数据的处理和表达，因为 HTML 等其他标记语言无法准确表达其本质内容，而主要是表现样式，导致带来诸多不便，所以 XML 就诞生了

在企业开发中的主要应用场景：

• 数据交换，用于不同的系统之间，或不同的数据库之间进行数据交换
• 用于各种框架的配置

5. XML 文件约束

因为 XML 是可扩展标记语言，可以写任意标记，所以需要对 XML 进行一些约束，保证 XML 文件数据的正确性和有效性

• DTD 约束

DTD：Document Type Definition 文档类型定义

作用：用于约束 XML 文件，DTD 本身是个文本文件

• Schema 约束

• XML Schema Definition 比 DTD 强大，是 DTD 的替代者
• 本身也是 XML 文档，扩展名为 xsd
• 功能更强大，数据约束类型更完善

XML 解析

• 三种解析方式

  • DOM：要求解析器把整个 XML 文档装载到内存并解析称为一个 Document 对象
    • 优点：元素与元素之间保留了结构关系，可以进行增删改查操作
    • 缺点：若 XML 过大可能出现内存溢出
  • SAX：是一种速度更快更有效的方法。逐一扫描文档，一边扫描一边解析。并以事件驱动的方式进行具体解析，每执行一行，都触发对应的事件
    • 优点：处理速度快，可以处理大文件
    • 缺点：只能读，逐行后将释放资源，解析操作繁琐
  • PULL：Android 内置的 XML 解析方式，类似 SAX

• 常见解析开发包

  • JAXP：Oracle 公司提供支持 DOM 和 SAX 开发包
  • Dem4j：比较简单的解析开发包，将整个 XML 加载到内存中作为一个 DOM 树
  • JDom：与 Dem4j 类似
  • Jsoup：功能强大的 DOM 方式的 XML 解析包，同时对 HTML 的解析也很方便

Jsoup

将整个文档加载到内存，生成一个 DOM 树，并获得一个 Document 对象，通过 Document 对象操作 DOM 树

• 获取 Document 对象的三种方式

  • public static Document parse(String html)：将一段 HTML 内容转化成一个 Document 对象
  • public static Document parse(File in,String charsetName)：指定 XML 或者 HTML 文件和字符集，得到一个 Document 对象
  • public static Document connect(String url)：解析互联网上的某个 URL 地址，创建连接，通过连接获取一个 Document 对象

• 获取元素对象

  • 通过 GET 方式得到元素对象

  返回类型	Document 对象的方法	说明
  Element	getElementById(String id)	通过 id 得到唯一元素对象
  Elements	getElementsByTag(String tagName)	通过标签名得到一组元素
  Elements	getElementsByClass(String className)	通过类名得到一组元素对象

  • 通过 CSS 选择器得到元素

  返回类型	方法	说明
  Elements	select(String cssQuery)	作用：通过选择器得到多个元素
  Element	selectFirst(String cssQuery)	作用：通过选择器得到第一个元素

• 选择器

  • 基本选择器

  选择器类型	描述	选择器语法
  ID 选择器	根据 id 获取元素，id 前面使用#符号	#id
  class 选择器	根据元素 class 属性获取元素	.类名
  标签选择器	根据元素名称获取元素	标签名
  属性选择器	获取含有该属性名的所有元素	[属性名]
  属性选择器	利用属性值来查找元素	[属性名=属性值]

  • 组合选择器

  选择器代码	说明
  标签名[属性名]	属性选择器，包含指定属性的标签。 如：a[href]，即选中 a 标签包含 href 属性的元素
  标签名.类名	交集选择器，同时指定标签名和类名的选择器 例如 div.one 即 <div class="one"> 内容 </div>
  父元素 > 子元素	子选择器，找某个元素下的所有子元素，选择器之间使用空格隔开
  父元素 子元素	后代选择器，找到父元素下面的子元素（包括子元素下面的所有子元素、孙元素等）
  兄弟 A+ 兄弟 B	兄弟选择器，查找在 A 元素后面第一个同级元素 B

JsoupXPath

JsoupXPath 是一款纯 Java 开发的使用 xpath 解析 HTML 的解析器，JsoupXPath 不是 Jsoup 的一部分，是在 Jsoup 基础上进行的扩展。XPath 使用路径表达式来选取 HTML 或 XML 文档中的元素节点或属性节点

• 核心 API

  • JXDocument

    • public JXDocument JXDocument(Document doc)：通过 Document 对象创建一个新的 JXDocument 对象
    • public List<JXNode> selN(String xpath)：通过 xpath 表达式得到指定的节点对象集合
    • public JXNode selOne(String xpath)：通过 xpath 表达式得到符合条件的节点对象

  • JXNode

    JXNode 表示一个节点对象，元素、文本都是节点对象

    • public Element getElement()：通过节点得到元素
    • public List<JXNode> sel(String xpath)：用在相对路径上，从当前节点开始向下查询其他子节点

• 四种 XPath 语法表达方式

  • 相对路径表达式
    • 以“/”开头，一级一级描述标签的层级路径，不可跨越层级（从 body 开始往下搜索）
    • 开头的“/”表示根元素
  • 相对路径表达式
    • 以“./”开始，一级一级描述标签的层级路径，不可跨越层级
    • “.”表示当前路径
  • 全文搜索路径
    • “//”符号，不用逐层写路径，直接选取到对应的节点
    • //li：查询所有的 li 元素，无论在哪一级
    • //a@href：查询所有的 a 元素，找到它的 href 属性
  • 条件筛选
    • //元素[@属性名=值]：获取“属性=值”的所有元素
    • //元素[@属性名>值]@属性名：获取“属性 > 值”的所有元素的属性值
    • //元素[@属性名=值]test()：获取符合条件元素的文本数据
    • //元素[@属性名=值]html()：获取符合条件元素的 HTML 数据