Estoy trabajado con un pequeño projecto, graphipedia (Se usa para importar dumps de wikipedia o de alguna otra wiki), y a traves de este estoy importando un dump de wikiquotes. Este projecto usa internamente stax para parsear el xml (es decir, el dump)
En algun momento del proceso de lectura del xml, el codigo lee caracteres (entre <text> y </text>), y el codigo hace un append a una variable variable StringBuilder, pero por alguna razon el metodo no agrega ni un solo caracter a la variable textBuffer (de tipo StringBuilder)
Aca esta el código:
package org.graphipedia.dataimport;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.LinkedList;
import java.util.List;
import javax.xml.stream.XMLInputFactory;
import javax.xml.stream.XMLStreamException;
import javax.xml.stream.XMLStreamReader;
import javax.xml.stream.events.XMLEvent;
import org.codehaus.stax2.XMLInputFactory2;
public abstract class SimpleStaxParser {
private static final String STDIN_FILENAME = "-";
private static final XMLInputFactory XML_INPUT_FACTORY = XMLInputFactory2.newInstance();
private final List<String> interestingElements;
public SimpleStaxParser(List<String> interestingElements) {
this.interestingElements = interestingElements;
}
protected abstract void handleElement(String element, String value);
public void parse(String fileName) throws IOException, XMLStreamException {
if (STDIN_FILENAME.equals(fileName)) {
parse(System.in);
} else {
parse(new FileInputStream(fileName));
}
}
private void parse(InputStream inputStream) throws IOException, XMLStreamException {
XMLStreamReader reader = XML_INPUT_FACTORY.createXMLStreamReader(inputStream, "UTF-8");
try {
parseElements(reader);
} finally {
reader.close();
inputStream.close();
}
}
private void parseElements(XMLStreamReader reader) throws XMLStreamException {
LinkedList<String> elementStack = new LinkedList<String>();
StringBuilder textBuffer = new StringBuilder();
while (reader.hasNext()) {
switch (reader.next()) {
case XMLEvent.START_ELEMENT:
elementStack.push(reader.getName().getLocalPart());
textBuffer.setLength(0);
break;
case XMLEvent.END_ELEMENT:
String element = elementStack.pop();
if (isInteresting(element)) {
handleElement(element, textBuffer.toString().trim());
}
break;
case XMLEvent.CHARACTERS:
if (isInteresting(elementStack.peek())) {
textBuffer.append(reader.getText());
}
break;
}
}
}
private boolean isInteresting(String element) {
return interestingElements.contains(element);
}
}
La linea del codigo que me está trayendo problemas es esta
textBuffer.append(reader.getText());
En esa linea, reader.getText()
devuelve lo siguiente:
lo que pasó, pasó por una razón...
'''Neo''': ¿Y qué razón es esa?
'''Smith''': Yo lo maté, señor Anderson, lo vi morir... Con cierta satisfacción, debo decir. Y luego algo pasó. Algo que sabía que era imposible, pero aún así pasó: usted me destruyó, señor Anderson... Después, cuando supe las reglas, entendí lo que debí haber hecho, pero no lo hice. No podía, fui obligado a quedarme, fui obligado a desobedecer... Y ahora aquí estoy por su culpa, señor Anderson. Por su culpa, ya no soy un agente de este sistema. Por su culpa cambié, me desconecté. Un hombre libre por decir algo, como usted, aparentemente libre.
'''Neo''': ¡Felicidades!
'''Smith''': Gracias... Pero, como sabrá, las apariencias engañan, lo cual me regresa a la razón por la que estoy aquí. No estamos aquí por ser libres. Estamos aquí por no ser libres. No hay razón de escapatoria, ni propósitos de negación. Porque, como sabemos, sin propósitos, no existiríamos...
'''Clones''': Propósito fue lo que nos creó... propósito lo que nos conecta, propósito lo que nos impulsa, lo que nos guía, lo que nos controla, es el propósito lo que define, propósito lo que nos une.
'''Smith''': Estamos aquí por culpa suya, señor Anderson. Estamos aquí para quitarle lo que trató de quitarnos a nosotros ¡Propósito!
[[Categoría:Películas]]
[[en:The Matrix (franchise)]]
[[sl:Matrica]]
Antes que el metodo append sea ejecutado, la variable textBuffer tiene un valor en "count" de 30643, una "capacidad" de 64254, y el text a agregar tiene una longitud de 1352.
La información en la que el parser esta trabajando está en: https://es.wikiquote.org/w/index.php?title=The_Matrix&action=edit (es muy grande para mostrarla directamente aca)
Pasos para reproducir este problema:
Conseguir el dump, descargar graphipedia, descomprimirlo y construirlo con maven (mvn package
). Corrrer ExtractLinks
desde Eclipse
o un IDE similar, en orden de poder hacer un debug correcto del codigo.