如何使用Nokogiri解析XML时省略无用空白Text元素节省内存？

你提到的传入解析器前对所有内容调用strip移除空白的方案不推荐使用，存在明显的语义破坏风险：XML规范中存在大量需要保留空白的合法场景，包括标记了xml:space="preserve"的节点、混合内容模型中分隔元素的有效空白（如<p>文本 <em>强调</em> 文本</p>中标签两侧的空格）、代码块/预格式化标签内的空白，全量strip会直接篡改这部分有效内容。此外全量预处理需要把整个文件内容读入后做全字符串扫描替换，会产生额外的临时字符串拷贝，在小内存设备上反而可能拉高瞬时内存峰值。

你之前遇到的“解析后删除空白节点耗时久、占内存”问题，本质是走了弯路：先消耗内存把所有空白节点解析成Ruby对象，再消耗CPU遍历整棵树查找删除这些节点，做了两步无用功。直接在解析阶段就跳过无效空白节点，就能同时解决性能和内存占用问题，根据你的解析模式选对应方案即可：

• 优先选SAX流式解析（内存占用最低）
  如果你的批量导入场景不需要做复杂的DOM节点遍历、XPath查询，SAX解析是RAM有限设备的首选方案。SAX不会把整个XML树加载到内存，而是边读文件边触发事件回调，你可以直接在文本回调中过滤全空白内容，这部分内容根本不会生成对象驻留内存，内存占用通常只有DOM模式的1/10甚至更低，也没有额外的遍历开销。
  基础实现示例：

  require 'nokogiri'
  
  class ImportHandler < Nokogiri::XML::SAX::Document
    # 处理元素开始事件
    def start_element(name, attrs = [])
      # 你的标签解析逻辑
    end
  
    # 处理文本内容
    def characters(content)
      # 全空白内容直接跳过，不做后续处理
      return if content.strip.empty?
      # 有效文本的业务处理逻辑
      save_valid_content(content)
    end
  
    # 处理元素结束事件
    def end_element(name)
      # 你的标签闭合处理逻辑
    end
  end
  
  # 批量处理文件，直接传IO对象不一次性读全文件
  Dir.glob("your_xml_path/*.xml").each do |file_path|
    parser = Nokogiri::XML::SAX::Parser.new(ImportHandler.new)
    File.open(file_path, "rb") { |f| parser.parse(f) }
  end
  

• 必须用DOM模式时，开启解析期空白过滤
  如果你确实需要DOM的XPath、节点遍历能力，不要等解析完再删空白节点，解析时直接开启Nokogiri内置的noblanks选项即可：解析器会在构建DOM树的阶段自动忽略所有非保留场景下的纯空白文本节点，从根源上避免生成无用的空白节点对象，既省了事后删除的遍历耗时，又直接降低DOM树的内存占用，而且不会破坏标记了xml:space="preserve"节点内的合法空白，比手动全量strip安全得多。
  实现示例：

  # 解析时开启noblanks配置
  doc = Nokogiri::XML(File.open("test.xml", "rb")) do |config|
    config.noblanks
    # 可按需叠加其他降内存配置，比如关闭DTD加载、不解析外部实体
  end
  

  批量处理时注意处理完单个文件后，及时移除对doc对象的引用，Ruby GC会自动回收对应内存，不要把所有文件的DOM对象同时存在内存里。

在RAM特别受限的设备上，不管用SAX还是DOM模式，都不要用File.read把整个文件一次性读入内存再传给解析器，直接把File IO对象传给Nokogiri的解析方法，解析器会自动做块读取，进一步降低临时内存占用。

内容的提问来源于stack exchange，提问作者Keith Bennett