Flink读取HDFS中的xml（一）——读取XML的几种方式

《Flink读取HDFS中的xml》系列记录了我在（使用Flink）处理xml文件过程中遇到的问题，以及对解决办法的探索。
本系列包含以下几个部分

• 一、读取XML的几种方式
  xml解析的几种方式，适用场景。
• 二、Flink XmlInputFormat读取xml
  Flink读取HDFS中的xml文件。
• 三、读取HDFS中的xml zip压缩文件
  多个xml文件压缩后存储到HDFS，如何使用Flink读取。
• 四、ZipXmlInputFormat的优化
  优化对zip xml文件的读取。

1. 什么是xml

xml是一种标记语言，它使用标签存储数据，使用标签的属性对数据进行描述，使用标签之间的嵌套关系标识数据的分类（层级）关系。由于存储数据的同时也存储了大量关于数据的描述信息，其中通常有大量重复内容。这种标签嵌套标签的结构可以看成一种树形结构。

xml文档示例

<root>
    <users>
        <user id="a">
            <name>王二</name>
            <age>8</age>
        </user>
        <user id="b">
            <name>张三</name>
            <age>10</age>
        </user>
    </users>
</root>

1. 使用DOM和SAX方式解析xml

DOM和SAX解析方式都是Java官方支持的解析方式，不同之处在于：

• DOM将整个xml文档加载到内存中，建立一个与之对应的树型数据结构，方便随机读取和修改，但是当文档较大时占用内存交大。

• SAX将xml作为文本顺序读取，在标签开始和结束时通过回调方法触发解析程序和解析终止程序，由于不需要将整个文本加载到内存，可以做到边读取边解析，适合于大文件的读取，也可以有选择的读取指定标签。

DOM方式主要方法的调用可以参看文末的参考链接，这里主要记录SAX方式的读取流程：

SAX方式解析XML的精髓在于org.xml.sax.helpers.DefaultHandler中的几个方法重写：

• startDocument：读取到文档开始，可以做一些初始化工作
• startElement：读取每个标签的开始，可以获取标签的属性，过滤标签
• characters：读取标签开始和结束之间的内容（text的内容）
• endElement：读取到每个标签的结束，可以根据标签名称，对text进行解析、记录
• endDocument：读取到文档末尾，可以做一些清理工作
  上述的5个方法的顺序，也是整个文档解析的顺序，重复2到3步完成整个文档解析。

参考链接：
Java文件操作①——XML文件的读取