求推荐可按指定标签拆分大型HTML文件的Node.js适配库

针对你需要按<DocumentRequest>标签拆分大型文件的需求，推荐几个实用的Node.js库，附简单实现代码：

1. cheerio（类jQuery语法，适合HTML/XML混合结构） #

cheerio可以快速解析类似HTML的结构，用熟悉的DOM操作提取目标块，适合中小体积文件：

首先安装依赖：

npm install cheerio

示例代码：

const fs = require('fs');
const cheerio = require('cheerio');

// 读取源文件
const rawContent = fs.readFileSync('your-large-file.html', 'utf8');
// 启用XML模式解析，避免标签闭合问题
const $ = cheerio.load(rawContent, { xmlMode: true });

// 遍历每个DocumentRequest节点并保存为单独文件
$('DocumentRequest').each((index, element) => {
  // 构建单个文件的完整XML结构
  const singleDocContent = `<?xml version="1.0" encoding="UTF-8"?><HPDPSMsg>${$.html(element)}</HPDPSMsg>`;
  fs.writeFileSync(`document-${index + 1}.xml`, singleDocContent, 'utf8');
});

2. xml2js（纯XML解析，结构更严谨） #

如果你的文件更偏向标准XML格式，xml2js可以将XML转为JS对象，处理后再转回XML：

安装依赖：

npm install xml2js

示例代码：

const fs = require('fs');
const xml2js = require('xml2js');

const parser = new xml2js.Parser({ explicitArray: false });
const xmlBuilder = new xml2js.Builder();

fs.readFile('your-large-file.html', 'utf8', (err, data) => {
  if (err) throw err;
  
  parser.parseString(data, (parseErr, result) => {
    if (parseErr) throw parseErr;
    
    // 提取所有DocumentRequest节点（转为数组统一处理）
    const requests = Array.isArray(result.HPDPSMsg.DocumentRequest) 
      ? result.HPDPSMsg.DocumentRequest 
      : [result.HPDPSMsg.DocumentRequest];
    
    requests.forEach((req, index) => {
      // 构建单个文档的JS对象
      const singleDoc = { HPDPSMsg: { DocumentRequest: req } };
      // 转回XML格式并保存
      const xmlContent = xmlBuilder.buildObject(singleDoc);
      fs.writeFileSync(`document-${index + 1}.xml`, xmlContent, 'utf8');
    });
  });
});

3. sax（流式解析，适合超大文件） #

如果文件体积达到GB级别，上述两个库会占用大量内存，推荐用sax做流式解析，逐行处理避免内存溢出：

安装依赖：

npm install sax

示例代码：

const fs = require('fs');
const sax = require('sax');

const readStream = fs.createReadStream('your-large-file.html', 'utf8');
const parser = sax.createStream(true, { trim: true, lowercase: false });

let currentRequest = '';
let isInsideRequest = false;
let fileCounter = 1;

// 处理开始标签
parser.on('opentag', (node) => {
  if (node.name === 'DocumentRequest') {
    isInsideRequest = true;
    // 拼接开始标签及属性
    currentRequest = `<${node.name}`;
    Object.entries(node.attributes).forEach(([key, value]) => {
      currentRequest += ` ${key}="${value}"`;
    });
    currentRequest += '>';
  } else if (isInsideRequest) {
    // 拼接内部标签
    currentRequest += `<${node.name}`;
    Object.entries(node.attributes).forEach(([key, value]) => {
      currentRequest += ` ${key}="${value}"`;
    });
    currentRequest += '>';
  }
});

// 处理文本内容
parser.on('text', (text) => {
  if (isInsideRequest) currentRequest += text;
});

// 处理闭合标签
parser.on('closetag', (tagName) => {
  if (tagName === 'DocumentRequest') {
    currentRequest += `</${tagName}>`;
    // 构建完整文件并保存
    const fullContent = `<?xml version="1.0" encoding="UTF-8"?><HPDPSMsg>${currentRequest}</HPDPSMsg>`;
    fs.writeFileSync(`document-${fileCounter}.xml`, fullContent, 'utf8');
    fileCounter++;
    currentRequest = '';
    isInsideRequest = false;
  } else if (isInsideRequest) {
    currentRequest += `</${tagName}>`;
  }
});

// 绑定流
readStream.pipe(parser);

内容的提问来源于stack exchange，提问作者Anupam Chand