java处理比较大的xml文件

Question

如题，我用java需要处理一个300多M的xml文件。这个文件的核心结构如下：

然后现在我需要做的就是找到相当<sha1>内容的两个revision标签（如示例中的id为111和119的两个revision）,然后将其中间的（包括最后一个119）revision全部删除.（按例子xml来说，最后就只剩一个id为111的revision）
下面是我用java写的核心算法：

其中sha跟revision都是arraylist的数组，sha存的是所有sha1标签的内容，revision存的是所有revision的内容。因为是一一对应的，所以我直接用的一个三层的循环来实现（前两层是寻找有相同sha1内容的，第三个循环则是删除这两个标签的之间的revision标签）。。

这个算法在处理一部分的测试xml时是没问题的，可是一旦用于测试300多M的那个源文件时会出现这样的错误：

我查了一些网上的说法，也调整了虚拟机的最大内存，但是依然会出现这样的错误。应该是我算法本身复杂度就比较高吧，但是我也没想到其他比较合适的处理思路了。求各位大神指教下orz

Answer 1

你的算法优化的空间很大，看到你的代码，估计你是把xml文件都装进内存，然后进行循环来删除的。这样当你的电脑没有空余的300M+内存分配给java的heap区域，就会OOM。

建议优化方案：

1. 使用sax方式解析xml文件，参考链接：http://www.mkyong.com/java/how-to-read-u...

2. 使用set来保存sha1值，读取一个revision标签，就判断一下sha1值在不在set中：

   2.1 如果在，忽略
   2.2 如果不在，将该revision加入到你的revision数组，将sha1值加入到set中
   

直到遍历结束，revision数组中所有元素的sha1值都是不一样的了