Я пытаюсь использовать Ruby Nokogiri для синтаксического анализа больших (1 ГБ и более) файлов XML. Я тестирую код на меньшем файле, содержащем только 4 записи , доступные здесь . Я использую Nokogiri версии 1.5.0, Ruby 1.8.7 на Ubuntu 10.10. Поскольку я не очень хорошо понимаю SAX, я пытаюсь запустить Nokogiri :: XML :: Reader.
Моя первая попытка получить содержимое тега PMID выглядит так:
#!/usr/bin/ruby
require "rubygems"
require "nokogiri"
file = ARGV[0]
reader = Nokogiri::XML::Reader(File.open(file))
p = []
reader.each do |node|
if node.name == "PMID"
p << node.inner_xml
end
end
puts p.inspect
Вот что я надеялся увидеть:
["21714156", "21693734", "21692271", "21692260"]
Вот что я на самом деле увидел:
["21714156", "", "21693734", "", "21692271", "", "21692260", ""]
Похоже, что по какой-то причине мой код находит или генерирует дополнительный пустой тег PMID для каждого экземпляра PMID. Либо это, либо inner_xml
не работает, как я думал.
Я был бы признателен, если бы кто-нибудь мог подтвердить, что мой код и данные генерируют показанный результат, и предположить, где я ошибаюсь.