讲师中心 微信公众号

工具推荐

视频效率加速
Seko
Seko

AI短剧一键生成成片

Laper
Laper

剧本策划到成片协作

剧云
剧云

中文短剧剧本制作平台

AniShort
AniShort

AI短剧协同制作平台

Java SAXParser解析大文件 避免内存溢出的XML读取方案

胖芳小哥_1663

胖芳小哥_1663

发布时间:2026-02-20 09:14:02

|

658人浏览过

|

来源于php中文网

原创

SAXParser OOM 的根本原因是事件处理器中累积数据而非流式处理,需禁用验证、外部实体和命名空间,用栈匹配路径并仅在目标节点内捕获字符。

java saxparser解析大文件 避免内存溢出的xml读取方案

为什么 SAXParser 读大 XML 还是 OOM?

不是 SAXParser 不行,是默认配置和代码写法没切断内存增长链。SAXParser 本身不缓存整棵树,但如果你在 startElement 里把所有 characters 全攒进一个 StringBuilder,或把每个元素都 new 成对象塞进 List,那跟 DOM 没本质区别——OOM 只是早晚问题。

  • 常见错误现象:java.lang.OutOfMemoryError: Java heap space 出现在解析到文件中后 1/3 处,且堆 dump 显示大量 String、ArrayList 实例
  • 根本原因:事件处理器(DefaultHandler)里做了“累积式”数据收集,而非“流式丢弃”或“按需提取”
  • 关键判断点:只要你的业务逻辑不需要随机访问任意节点、也不需要回溯父元素,就该把中间状态压到最低——比如只保留当前路径的标签名栈,而不是保留所有已见元素的完整副本

怎么设置 SAXParserFactory 才真正轻量?

默认的 SAXParserFactory 可能启用 DTD 或 XSD 验证,这会触发外部实体加载、schema 编译,不仅慢,还可能因网络请求或复杂类型推导吃掉额外内存。

  • 必须关闭验证:factory.setValidating(false),否则即使 XML 没声明 DTD,JDK 8+ 仍可能尝试加载 http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd
  • 禁用外部实体:factory.setFeature("http://apache.org/xml/features/disallow-doctype-decl", true)(防 XXE)
  • 关闭命名空间前缀处理(如果不用):factory.setNamespaceAware(false),减少内部符号表开销
  • 别调用 factory.setFeature("http://xml.org/sax/features/namespaces", false) —— 这个和上面重复,且部分 JDK 版本会抛 UnsupportedOperationException

如何在 startElement / endElement 中安全提取字段?

核心原则:不保存历史,不构造嵌套结构,只响应“当前正在进入/离开的目标节点”。比如你要取 <record><id>123</id><name>foo</name></record> 里的 id 和 name,就该用路径匹配,而不是建 Record 对象再 add 进 list。

JavaScript 测试模式
JavaScript 测试模式

使用 Jest、Vitest 和 Testing Library 实施全面的测试策略,包括单元测试、集成测试和端到端测试,涵盖模拟、测试夹具和测试驱动开发。在编

下载
  • 用 Stack<string></string> 记录当前 XPath(如 ["root", "records", "record", "id"]),在 startElement push,在 endElement pop
  • 只在栈顶是目标字段时才开启字符捕获(设 isCapturing = true),并在 endElement 匹配成功后立刻处理并清空缓冲区
  • 绝对避免在 characters 回调里直接拼接:buffer.append(ch, start, length) 是安全的,但 new String(ch, start, length) 会强制创建新对象,高频调用下 GC 压力陡增
  • 示例片段:
    if (stack.size() == 4 && "id".equals(localName) && "record".equals(stack.get(2))) {
        isCapturing = true;
        buffer.setLength(0);
    }

遇到混合内容(text + element)怎么办?

XML 里像 <p>Hello <b>world</b>!</p> <p><span>立即学习</span>“<a href="https://pan.quark.cn/s/c1c2c2ed740f" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Java免费学习笔记(深入)</a>”;</p> 这种结构,SAX 会拆成多次 characters 调用(前后各一次文本,中间夹着 b 的 start/end),导致你无法靠单次回调拿到完整文本——这是最容易误判为“解析失败”的地方。

  • 不要假设 characters 只调用一次:它受 XML 解析器内部缓冲区大小影响,同一段文本可能被切成多块
  • 正确做法:用布尔标记 + StringBuilder 累积,但仅限当前目标节点内;一旦进入子元素(startElement)且当前在捕获状态,先 flush 当前文本,再重置
  • 更稳妥方案:如果业务允许,直接跳过混合内容节点——检查 qName 是否含 :(命名空间前缀)或是否在已知纯文本标签白名单里(如 "title", "summary")
  • 容易踩的坑:characters 的 ch 数组可能复用,不能长期持有引用;必须拷贝内容或立即处理
事情说清了就结束。真正卡住人的,从来不是 SAXParser 本身,而是 handler 里那一行 results.add(new Record(id, name)) —— 它看起来无害,却悄悄把流式解析变成了内存镜像。

热门AI工具

更多
码上飞
码上飞 Hot

一款基于自然语言的AI应用开发平台,可根据用户描述自动生成应用程序,帮助个人和团队快速完成应用原型与开发。

PixTV
PixTV Hot

PixTV是一款面向AIGC内容创作的AI视频生成工具。

Flowith
Flowith Hot

Flowith是一款基于画布和智能体工作流的 AI 协作工作空间。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

Loomy
Loomy Hot

一款AI工具,主要用于科大讯飞发布的桌面级 AI 助理,比 OpenClaw 更易用、更安全!,适合需要提升相关任务效率的用户。

切问学术

切问学术是一款AI论文写作工具,复旦大学NLP团队推出的AI学术智能体。

二狗PPT
二狗PPT Hot

一款AI演示文稿工具,主要用于专为中式职场打造的AI PPT生成工具,适合需要提升相关任务效率的用户。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

相关专题

更多
string转int
string转int

在编程中,我们经常会遇到需要将字符串(str)转换为整数(int)的情况。这可能是因为我们需要对字符串进行数值计算,或者需要将用户输入的字符串转换为整数进行处理。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

7599

2023.08.02

pdf怎么转换成xml格式
pdf怎么转换成xml格式

将 pdf 转换为 xml 的方法:1. 使用在线转换器;2. 使用桌面软件(如 adobe acrobat、itext);3. 使用命令行工具(如 pdftoxml)。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

5204

2024.04.01

xml怎么变成word
xml怎么变成word

步骤:1. 导入 xml 文件;2. 选择 xml 结构;3. 映射 xml 元素到 word 元素;4. 生成 word 文档。提示:确保 xml 文件结构良好,并预览 word 文档以验证转换是否成功。想了解更多xml的相关内容,可以阅读本专题下面的文章。

6757

2024.08.01

xml是什么格式的文件
xml是什么格式的文件

xml是一种纯文本格式的文件。xml指的是可扩展标记语言,标准通用标记语言的子集,是一种用于标记电子文件使其具有结构性的标记语言。想了解更多相关的内容,可阅读本专题下面的相关文章。

2642

2024.11.28

堆和栈的区别
堆和栈的区别

堆和栈的区别:1、内存分配方式不同;2、大小不同;3、数据访问方式不同;4、数据的生命周期。本专题为大家提供堆和栈的区别的相关的文章、下载、课程内容,供大家免费下载体验。

7087

2023.07.18

堆和栈区别
堆和栈区别

堆(Heap)和栈(Stack)是计算机中两种常见的内存分配机制。它们在内存管理的方式、分配方式以及使用场景上有很大的区别。本文将详细介绍堆和栈的特点、区别以及各自的使用场景。php中文网给大家带来了相关的教程以及文章欢迎大家前来学习阅读。

2908

2023.08.10

堆和栈的区别
堆和栈的区别

堆和栈的区别:1、内存分配方式不同;2、大小不同;3、数据访问方式不同;4、数据的生命周期。本专题为大家提供堆和栈的区别的相关的文章、下载、课程内容,供大家免费下载体验。

7087

2023.07.18

堆和栈区别
堆和栈区别

堆(Heap)和栈(Stack)是计算机中两种常见的内存分配机制。它们在内存管理的方式、分配方式以及使用场景上有很大的区别。本文将详细介绍堆和栈的特点、区别以及各自的使用场景。php中文网给大家带来了相关的教程以及文章欢迎大家前来学习阅读。

2908

2023.08.10

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

100

2026.11.12

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
dev.java 官方:Learn Java
dev.java 官方:Learn Java

共0课时 | 0人学习

Java JDBC数据库连接官方教程
Java JDBC数据库连接官方教程

共0课时 | 0人学习

关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn