如何使用Java HTMLParser库解析大型HTML文件

Question

我有一些由Filemaker导出创建的html文件.每个文件基本上都是一个巨大的HTML表.我想遍历表行并将它们填充到数据库中.我试过用HTMLParser做如下:

String inputHTML = readFile("filemakerExport.htm","UTF-8");
Parser parser = new Parser();
parser.setInputHTML(inputHTML);
parser.setEncoding("UTF-8");    
NodeList nl = parser.parse(null); 
NodeList trs = nl.extractAllNodesThatMatch(new TagNameFilter("tr"),true);
for(int i=0;i<trs.size();i++) {
    NodeList nodes = trs.elementAt(i).getChildren();
    NodeList tds  = nodes.extractAllNodesThatMatch(new TagNameFilter("td"),true);
    // Do stuff with tds
}

上面的代码适用于1 Mb以下的文件.不幸的是我有一个4.8 Mbs的html文件,我得到一个内存不足的错误.

Exception in thread "main" java.lang.OutOfMemoryError: Java heap space
    at org.htmlparser.lexer.Lexer.parseTag(Lexer.java:1002)
    at org.htmlparser.lexer.Lexer.nextNode(Lexer.java:369)
    at org.htmlparser.scanners.CompositeTagScanner.scan(CompositeTagScanner.java:111)
    at org.htmlparser.util.IteratorImpl.nextNode(IteratorImpl.java:92)
    at org.htmlparser.Parser.parse(Parser.java:701)
    at Tools.main(Tools.java:33)

有没有更有效的方法来解决HTMLParser的这个问题(我对图书馆来说是全新的),还是应该使用不同的库或方法？

Answer 1

您是否尝试过增加JVM的最大堆大小

以下命令行参数将其增加到512兆字节:-Xmx512M

例如

java -Xmx512M myrunclass