XML 文件的規模天差地遠:有的只有寥寥數行,有的動輒數百 MB。你可能會懷疑,知道文件大小有什麼用?當效能成為首要關注時,這件事就是必須先弄清楚的。
從效能角度來看,處理 XML 文件有兩類典型方式。
批次處理(batch)一次處理成組的文件,效能指標是「單位時間內能處理多少份文件」。
即時處理(real-time)逐一處理、來一份處理一份,效能指標則是「處理一份文件需要多長時間」。
兩者面臨的效能瓶頸不同,因此對文件大小的敏感度也完全不同。
想像你有一個即時運作的系統,例如 Web 伺服器,需要即時接收客戶端送來的訂單並立刻回應。
這種系統顯然不能走批次處理。粗估一下:假設這是很簡單的訂單,只有十個項目,產生的 XML 大約 4KB。這種規模用 DOM 來解析綽綽有餘——4KB 的文件載入記憶體完全不成負擔,而 DOM 提供的節點導航能力讓程式寫起來最直觀。
如果訂單量每小時只有幾筆,效能對你來說還不是問題。但往長遠看,總有一天訂單量會多到讓你意識到必須處理效能。
此時你有兩個方向。縱向擴充是提升現有系統的處理能力——更快的 CPU、更多記憶體。橫向擴充是增加更多系統節點,把負擔分散開來。
值得注意的是,這個場景裡「把文件變小」這條路走不通。你的訂單文檔已經只有 4KB,再壓縮沒有實際意義,把它們合併成更大的文檔也無法改善即時系統的響應。
換到一個完全不同的領域:你現在要處理的是一個大型資料倉儲,透過 FTP 傳輸平均 300MB 的 XML 文件。
如果還是用 DOM 解析,你很快就會遇到大麻煩。DOM 是「整份載入並建立完整節點樹」的模型,300MB 的 XML 展開成 DOM 樹後,記憶體占用可能是原文件的數倍,很快就會超出可用範圍。
此時改用 SAX 會好得多。它是串流式的解析模型,可以直接解析流入的文件而不必事先全部載入記憶體,記憶體占用與文件大小基本無關。
有時候你會遇到尷尬的中間情況:文件大小是 400MB 而非 4KB,所以 DOM 用不起來(太吃記憶體);但系統又是即時的,效能很重要,SAX 雖然可行卻需要更強的處理器與更長的處理時間。
這時候,改變文件尺寸本身就是一種優化手段。你可以把一份 400MB 的文件切成 10 份 40MB,或 40 份 10MB。切小之後就能改用 DOM 把單份文件讀進記憶體處理,即時回應每份文件的請求,同時也能在處理完之後立刻釋放,不必讓龐大的資料一直占著記憶體。
批次處理場景也有類似的邏輯,只是方向相反。想像你用 DOM 以批次方式處理數千份 4KB 的文件。載入每份文件都需要系統時間——無論用 DOM 還是 SAX,開檔與解析都有固定成本。把一千份文件合併成一份 4MB 的文件之後,你只需要載入一次,載入階段的時間成本降到原來的千分之一。
把上面的判斷整理成一條決策線索:
所以「XML 文件有多大」不只是一個有趣的數字,它直接決定了你該選哪個解析器、要不要切分或合併、以及系統的擴充方向該往哪走。而這些判斷都應該建立在實際量測之上——憑感覺猜效能瓶頸在哪,通常都會猜錯。