Generowanie / pobieranie xpath z XML node java

Oto jak można to zrobić z SAXEM:

import java.util.HashMap;
import java.util.Map;

import org.xml.sax.Attributes;
import org.xml.sax.SAXException;
import org.xml.sax.XMLReader;
import org.xml.sax.helpers.DefaultHandler;

public class FragmentContentHandler extends DefaultHandler {

    private String xPath = "/";
    private XMLReader xmlReader;
    private FragmentContentHandler parent;
    private StringBuilder characters = new StringBuilder();
    private Map<String, Integer> elementNameCount = new HashMap<String, Integer>();

    public FragmentContentHandler(XMLReader xmlReader) {
        this.xmlReader = xmlReader;
    }

    private FragmentContentHandler(String xPath, XMLReader xmlReader, FragmentContentHandler parent) {
        this(xmlReader);
        this.xPath = xPath;
        this.parent = parent;
    }

    @Override
    public void startElement(String uri, String localName, String qName, Attributes atts) throws SAXException {
        Integer count = elementNameCount.get(qName);
        if(null == count) {
            count = 1;
        } else {
            count++;
        }
        elementNameCount.put(qName, count);
        String childXPath = xPath + "/" + qName + "[" + count + "]";

        int attsLength = atts.getLength();
        for(int x=0; x<attsLength; x++) {
            System.out.println(childXPath + "[@" + atts.getQName(x) + "='" + atts.getValue(x) + ']');
        }

        FragmentContentHandler child = new FragmentContentHandler(childXPath, xmlReader, this);
        xmlReader.setContentHandler(child);
    }

    @Override
    public void endElement(String uri, String localName, String qName) throws SAXException {
        String value = characters.toString().trim();
        if(value.length() > 0) {
            System.out.println(xPath + "='" + characters.toString() + "'");
        }
        xmlReader.setContentHandler(parent);
    }

    @Override
    public void characters(char[] ch, int start, int length) throws SAXException {
        characters.append(ch, start, length);
    }

}

Można go przetestować za pomocą:

import java.io.FileInputStream;

import javax.xml.parsers.SAXParser;
import javax.xml.parsers.SAXParserFactory;

import org.xml.sax.InputSource;
import org.xml.sax.XMLReader;

public class Demo {

    public static void main(String[] args) throws Exception {
        SAXParserFactory spf = SAXParserFactory.newInstance();
        SAXParser sp = spf.newSAXParser();
        XMLReader xr = sp.getXMLReader();

        xr.setContentHandler(new FragmentContentHandler(xr));
        xr.parse(new InputSource(new FileInputStream("input.xml")));
    }
}

Spowoduje to uzyskanie pożądanego wyniku:

//root[1]/elemA[1]='one'
//root[1]/elemA[2][@attribute1='first]
//root[1]/elemA[2][@attribute2='second]
//root[1]/elemA[2]='two'
//root[1]/elemB[1]='three'
//root[1]/elemA[3]='four'
//root[1]/elemC[1]/elemB[1]='five'

Z jOOX (a jQuery API port do Javy, disclaimer - pracuję dla firmy stojącej za biblioteką), możesz prawie osiągnąć to, co chcesz w jednym oświadczeniu:

// I'm assuming this:
import static org.joox.JOOX.$;

// And then...
List<String> coolList = $(document).xpath("//*[not(*)]").map(
    context -> $(context).xpath() + "='" + $(context).text() + "'"
);

Jeśli dokument jest Twoim przykładowym dokumentem:

<root>
    <elemA>one</elemA>
    <elemA attribute1='first' attribute2='second'>two</elemA>
    <elemB>three</elemB>
    <elemA>four</elemA>
    <elemC>
        <elemB>five</elemB>
    </elemC>
</root>

To da

/root[1]/elemA[1]='one'
/root[1]/elemA[2]='two'
/root[1]/elemB[1]='three'
/root[1]/elemA[3]='four'
/root[1]/elemC[1]/elemB[1]='five'

Przez "prawie" mam na myśli, że jOOX nie obsługuje (jeszcze) dopasowywania / mapowania atrybutów. W związku z tym twoje atrybuty nie będą generować żadnych danych wyjściowych. Zostanie to jednak wdrożone w niedalekiej przyszłości.

private static void buildEntryList( List<String> entries, String parentXPath, Element parent ) {
    NamedNodeMap attrs = parent.getAttributes();
    for( int i = 0; i < attrs.getLength(); i++ ) {
        Attr attr = (Attr)attrs.item( i );
        //TODO: escape attr value
        entries.add( parentXPath+"[@"+attr.getName()+"='"+attr.getValue()+"']"); 
    }
    HashMap<String, Integer> nameMap = new HashMap<String, Integer>();
    NodeList children = parent.getChildNodes();
    for( int i = 0; i < children.getLength(); i++ ) {
        Node child = children.item( i );
        if( child instanceof Text ) {
            //TODO: escape child value
            entries.add( parentXPath+"='"+((Text)child).getData()+"'" );
        } else if( child instanceof Element ) {
            String childName = child.getNodeName();
            Integer nameCount = nameMap.get( childName );
            nameCount = nameCount == null ? 1 : nameCount + 1;
            nameMap.put( child.getNodeName(), nameCount );
            buildEntryList( entries, parentXPath+"/"+childName+"["+nameCount+"]", (Element)child);
        }
    }
}

public static List<String> getEntryList( Document doc ) {
    ArrayList<String> entries = new ArrayList<String>();
    Element root = doc.getDocumentElement();
    buildEntryList(entries, "/"+root.getNodeName()+"[1]", root );
    return entries;
}

Ten kod działa z dwoma założeniami: nie używasz przestrzeni nazw i nie ma mieszanych elementów zawartości. Ograniczenie przestrzeni nazw nie jest poważne, ale sprawiłoby, że wyrażenie XPath byłoby trudniejsze do odczytania, ponieważ każdy element byłby czymś w rodzaju *:<name>[namespace-uri()='<nsuri>'][<index>], ale poza tym jest łatwe do zaimplementowania. Z drugiej strony mieszana zawartość sprawiłaby, że korzystanie z xpath byłoby bardzo żmudne, ponieważ musiałbyś być w stanie indywidualnie zająć się drugim, trzecim węzłem tekstu w elemencie.

1. Użyj w3c. dom
2. go recursively down
3. dla każdego węzła jest łatwy sposób na uzyskanie ścieżki xpath: albo przechowując ją jako array / list while #2, albo poprzez funkcję, która idzie rekurencyjnie w górę, aż rodzic jest null, a następnie odwraca tablicę / listę napotkanych węzłów.

UPD: i połącz ostateczną listę, aby uzyskać ostateczną ścieżkę xpath. nie myśl, że atrybuty będą problemem.

Kiedyś wykonałem podobne zadanie. Główną ideą było to, że można używać indeksów elementu w xpath. Na przykład w następującym xml

<root>
    <el />
    <something />
    <el />
</root>

Xpath do drugiej {[1] } będzie /root[1]/el[2] (indeksy xpath są oparte na 1). To brzmi jak "weź pierwszy root, a następnie weź drugi ze wszystkich elementów o nazwie el". Tak więc element something nie wpływa na indeksowanie elementów el. Możesz więc teoretycznie utworzyć ścieżkę xpath dla każdego konkretnego elementu w Twoim xml. W praktyce mam osiąga się to poprzez chodzenie po drzewie i zapamiętywanie informacji o elementach i ich indeksach po drodze.
Tworzenie xpath odwołujące się do określonego atrybutu elementu było po prostu dodawaniem '/ @attrName ' do xpath elementu.

Napisałem metodę zwracającą bezwzględną ścieżkę elementu w praktycznej bibliotece XML . Aby dać ci wyobrażenie, jak to działa, oto wyciąg z jednego z testów jednostkowych :

assertEquals("/root/wargle[2]/zargle",
             DomUtil.getAbsolutePath(child3a)); 

Możesz więc przeszukiwać dokument, zastosować testy i użyć tego do zwrócenia ścieżki XPath. Albo, co jest prawdopodobnie lepsze, to to, że możesz użyć XPath-based assertions z tej samej biblioteki.

Zrobiłem dokładnie to samo w zeszłym tygodniu, przetwarzając mój xml do formatu zgodnego z solr.

Skoro chciałeś pseudo kodu: tak to osiągnąłem.

/ / możesz pominąć odniesienie do rodzica i dziecka.

1_ Inicjalizacja niestandardowego obiektu węzła: NodeObjectVO {String nodeName, String path, List attr, nodeobjectvo parent, List child}

2_ Utwórz pustą listę

3_ tworzy reprezentację dom XML i iterację przez węzeł. Dla każdego węzła, get odpowiednie informacje. Wszystkie informacje takie jak nazwa węzła,nazwy atrybutów i wartość powinny być łatwo dostępne z obiektu dom. ( Musisz sprawdzić NodeType dom, kod powinien ignorować instrukcje przetwarzania i węzły zwykłego tekstu.)

/ / Code Bloat warning. 4_ jedyną trudną częścią jest get path. Stworzyłem iteracyjną metodę użytkową, aby uzyskać łańcuch XPath z NodeElement. (While (węzeł.Rodzicu != null) { ścieżka+ = węzeł.rodzic.nodeName}.

(można to również osiągnąć poprzez utrzymanie zmiennej globalnej path, która śledzi ścieżkę nadrzędną dla każdej iteracji.)

5_ w metodzie setter setAttributes (List) dodam ścieżkę obiektu ze wszystkimi dostępnymi atrybutami. (jedna ścieżka ze wszystkimi dostępnymi atrybutami. Nie Lista ścieżek z każdą możliwą kombinacją atrybutów. Może chcesz zrobić coś innego. )

6_ Dodaj NodeObjectVO do listy.

7_ teraz mamy płaską (nie hierarchialną) listę własnych obiektów węzłów, które mam wszystkie potrzebne informacje.

(Uwaga: Jak wspomniałem, utrzymuję relacje z rodzicami, powinieneś prawdopodobnie pominąć tę część. Istnieje możliwość wzdęcia kodu, szczególnie podczas getparentpath. Dla małych xml to nie był problem, ale jest to problem dla dużych xml).