如何使用Ruby和Nokogiri解析USPTO XML文件？

我花了一整天的时间试图弄明白如何解析。我尝试下载这些文件，解压缩后运行：

Nokogiri::XML(File.open('ipg140513.xml'))

但它似乎只加载第一个元素，而不是所有的专利（在该文件中有几千个）

---

我做错了什么？

您链接到的文件以及其他文件可能都不是有效的XML，因为它们没有根元素。发件人：

每个XML文档只有一个根元素

如果您查看错误（建议的），Nokogiri会提示这一点，详情如下：

select

选择每个连接文档的根节点，忽略处理指令和DTD声明

---

或者，您可以预处理该文件，并将其拆分为正确格式的组成文档。一次解析650MB文档的速度非常慢，而且占用大量内存。

您的答案很好，但Nokogiri本身可以判断它遇到了什么错误。看看这个-谢谢你的建议，@ArupRakshit，我已经更新了答案。谢谢你，巴克！是的，我试过使用DocumentFragment，我的笔记本电脑死机了。现在，我正试图找出如何将xml拆分为多个文件，同时考虑到我并不需要所有的专利，只需要其中的几个。我还搜索了USPTO是否为单个专利提供了xml文件，但我找不到任何东西，只是批量zipsIf文件包含数千条记录，那么编写SAX解析器（当然使用Nokogiri）可能会更好/更智能/更安全。默认情况下，Nokogiri使用DOM解析器，这意味着在进行解析之前，整个XML文档都会加载到内存中，如果XML足够大，这可能会使机器瘫痪。

Nokogiri::XML(File.open("/Users/b/Downloads/ipg140513.xml")).errors # =>
# [
#   #<Nokogiri::XML::SyntaxError: XML declaration allowed only at the start of the document>,
#   #<Nokogiri::XML::SyntaxError: Extra content at the end of the document>
# ]

Nokogiri::XML::DocumentFragment.parse(File.read('ipg140513.xml')).select{|element| element.name == 'us-patent-grant'}