Position des XML-Parsers?

[mastercpp]

Hallo!

Ich schreibe gerade ein Programm, das Wikimedia-XML-Dateien indexiert.
Hier der Sorce-Code:

// Lizenz: GPL
// Aufruf: javac Indexer.java && java -Dorg.xml.sax.driver=org.apache.crimson.parser.XMLReaderImpl -DentityExpansionLimit=512000 Indexer wiktionary.xml > wiktionary.idx
import java.io.*;
import org.xml.sax.*;
import org.xml.sax.helpers.*;

public class Indexer extends DefaultHandler
{
    static File f;
    static FileInputStream fis;
    static InputSource is;
    boolean openTag = false;
    long Pos = 0;

    public static void main(String args[]) throws Exception
    {
	XMLReader xr = XMLReaderFactory.createXMLReader();
	Indexer handler = new Indexer();
	xr.setContentHandler(handler);
	xr.setErrorHandler(handler);
	f = new File(args[0]);
	fis = new FileInputStream(f);
	is = new InputSource(fis);
	xr.parse(is);
    }

    public void startElement (String uri, String name, String qName, Attributes atts)
    {
	try {
	String tag;
	if (name.equals ("")) tag = qName;
	else tag = name;
	if (tag.equals("page")) Pos = fis.getChannel().position(); // === 42 ===
	if (tag.equals("title"))
	    {
		System.out.print("<page>\n<title>");
		openTag = true;
	    }
	} catch (Exception e) { }
    }

    public void endElement (String uri, String name, String qName)
    {
	String tag;
	if (name.equals ("")) tag = qName;
	else tag = name;
	if (tag.equals("title"))
	    {
		openTag = false;
		System.out.print("</title>\n");
		System.out.print("<pos>" + Pos + "</pos>\n</page>\n");
	    }
    }

    public void characters (char ch[], int start, int length)
    {
	if (openTag)
	    {
		System.out.print(new String(ch, start, length));
	    }
    }

    public Indexer()
    {
	super();
    }
}

An der mit // === 42 === markierten Stelle versuche ich herauszufinden an welcher Position sich das <page>-Tag in der Datei befindet.
In der jetzigen Fassung scheint dies aber nicht zu funktionieren (einige Einträge haben die gleiche Position, die btw sowieso fast nie stimmt), da der XMLParser vermutlich gleich ein paar KB auf einmal in einen Buffer lädt.
Gibt es vielleicht einen andern Weg (meinetwegen auch mit einer anderen API)?

[Roar]

humba, vergiss den weg über den FileChannel. implementier die methode setDocumentLocator(Locator), speicher ihn inner instanzvariable. später kannst du mit getColumnNumber()/getLineNumber() auf die position zugreifen. oder brauchst du die anzahl der gelesenen bytes? (wofür )

[mastercpp]

Mit der Zeile/Spalte kann ich leider nicht viel Anfangen. Ich benötige die Byte-Position, also die Anzahl Bytes, die das <page>-Tag von Dateianfang entfernt ist.
Aber vielleicht kann man Zeile/Spalte hier umwandeln?

[mastercpp]

OK, ich habs jetzt:

// Lizenz: GPL
// Aufruf: javac Indexer.java && java -Dorg.xml.sax.driver=org.apache.crimson.parser.XMLReaderImpl -DentityExpansionLimit=512000 Indexer wiktionary.xml > wiktionary.idx
import java.io.*;
import org.xml.sax.*;
import org.xml.sax.ext.*;
import org.xml.sax.helpers.*;

public class Indexer extends DefaultHandler
{
    static File f2;
    static FileReader fr;
    static File f;
    static FileInputStream fis;
    static InputSource is;

    static boolean openTag = false;
    static long pos = 0;
    static Locator lastPos;
    static long counter = 0;
    static long bytesRead = 0;

    public static void main(String args[]) throws Exception
    {
	f2 = new File(args[0]);
	fr = new FileReader(f2);
	XMLReader xr = XMLReaderFactory.createXMLReader();
	Indexer handler = new Indexer();
	xr.setContentHandler(handler);
	xr.setErrorHandler(handler);
	f = new File(args[0]);
	fis = new FileInputStream(f);
	is = new InputSource(fis);
	xr.parse(is);
    }

    public void setDocumentLocator(Locator locator)
    {
	lastPos = locator;
    }

    public void startElement (String uri, String name, String qName, Attributes atts)
    {
	try
	    {
		String tag;
		if (name.equals ("")) tag = qName;
		else tag = name;
		if (tag.equals("page"))
		    {
			int ch = 0;
			do
			    {
				ch = fr.read();
				if (ch == '\n') counter++;
				bytesRead++;
			    }
			while(counter <  lastPos.getLineNumber() - 1);
			pos = bytesRead;
		    }
		else if (tag.equals("title"))
		    {
			System.out.print("<page>\n<title>");
			openTag = true;
		    }
	    }
	catch (Exception e)
	    {
		System.err.println(e.getMessage());
	    }
    }

    public void endElement (String uri, String name, String qName)
    {
	String tag;
	if (name.equals ("")) tag = qName;
	else tag = name;
	if (tag.equals("title"))
	    {
		openTag = false;
		System.out.print("</title>\n");
		System.out.print("<pos>" + pos + "</pos>\n</page>\n");
	    }
    }

    public void characters (char ch[], int start, int length)
    {
	if (openTag)
	    {
		System.out.print(new String(ch, start, length));
	    }
    }

    public Indexer()
    {
	super();
    }
}

Vielen Dank für deine Hilfe, Roar!