用Java解析XML时出现问题

Question

我在解析XML文档时遇到了一些麻烦。 由于某些原因，有些文本节点是我所不希望的，因此测试变成红色。 XML文件如下所示：

<?xml version="1.0" encoding="UTF-8"?>
<RootNode>
  <PR1>PR1</PR1>
  <ROL>one</ROL>
  <ROL>two</ROL>
  <DG1>DG1</DG1>
  <ROL>three</ROL>
  <ZBK>ZBK</ZBK>
  <ROL>four</ROL>
</RootNode>

现在，我有此代码段可以重现该错误：

DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document doc = builder.parse(TestHL7Helper.class.getResourceAsStream("TestHL7HelperInput.xml"));
Node root = doc.getFirstChild();
Node pr1 = root.getFirstChild();

检查根变量会产生[RootNode: null] ，这似乎是正确的，但是以某种方式它会出错。 pr1变量原来是文本节点[#text:\\n ] -但是解析器为何认为换行和空格是文本节点？ 那不应该被忽略吗？ 我尝试更改编码，但这也无济于事。 有什么想法吗？

如果我删除所有新行和空格，并将我的XML文档仅放在一行中，则一切正常。

Answer 1

实际上，其他节点之间的所有文本都形成一个文本节点本身。 因此，如果使用getFirstChild() ，还将检索这些文本节点。

在您的情况下，所有非文本子节点都有唯一的名称，因此您可以使用getElementsByTagName()分别获取它们：

DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document doc = builder.parse(TestHL7Helper.class.getResourceAsStream("TestHL7HelperInput.xml"));
Node root = doc.getFirstChild();
Node pr1 = (root.getElementsByTagName( "PR1" ))[0];

通常，我不会依赖XML文档中的位置，而是依赖标记名称，属性或ID之类的东西。

Answer 2

XML支持混合内容，这意味着元素可以同时具有文本和元素子节点。 这是为了支持以下用例：

<text>I've bolded the <b>important</b> part.</text>

input.xml中

这意味着默认情况下，DOM解析器会将以下文档中的空白节点视为有效节点（以下是XML文档的简化版本）：

<RootNode>
  <PR1>PR1</PR1>
</RootNode>

示范代码

如果您有XML模式，则可以在DocumentBuilderFactory上设置ignoringElementContentWhitespace属性，因为DOM解析器将知道空白是否有效以及何时有效。

import java.io.File;
import javax.xml.XMLConstants;
import javax.xml.parsers.*;
import javax.xml.validation.*;

import org.w3c.dom.Document;

public class Demo {

    public static void main(String[] args) throws Exception {
        SchemaFactory sf = SchemaFactory.newInstance(XMLConstants.W3C_XML_SCHEMA_NS_URI);
        Schema s = sf.newSchema(new File("src/forum16231687/schema.xsd"));

        DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
        dbf.setSchema(s);
        dbf.setIgnoringElementContentWhitespace(true);

        DocumentBuilder db = dbf.newDocumentBuilder();
        Document d = db.parse(new File("src/forum16231687/input.xml"));
        System.out.println(d.getDocumentElement().getChildNodes().getLength());
    }

}

schema.xsd

如果您创建如下所示的schema.xsd ，则演示代码将报告根元素具有1个子节点。

<?xml version="1.0" encoding="UTF-8"?>
<schema xmlns="http://www.w3.org/2001/XMLSchema">
    <element name="RootNode">
        <complexType>
            <sequence>
                <element name="PR1" type="string"/>
            </sequence>
        </complexType>
    </element>
</schema>

如果更改schema.xsd，以使RootNode具有混合内容，则演示代码将报告RootNode具有3个子节点。

<?xml version="1.0" encoding="UTF-8"?>
<schema xmlns="http://www.w3.org/2001/XMLSchema">
    <element name="RootNode">
        <complexType mixed="true">
            <sequence>
                <element name="PR1" type="string"/>
            </sequence>
        </complexType>
    </element>
</schema>

Answer 3

您可以通过检查节点的类型来解决此一般问题：

if (someNode instanceof Element) {
  // ...
}

这很容易形成循环的一部分，例如：

NodeList childNodes = root.getChildNodes();
for (int i = 0; i < childNodes.getLength(); i++) {
  if (childNodes.item(i).getNodeType() == Node.ELEMENT) {
    Element childElement = (Element) childNodes.item(i);
    // ...
  }
}

或者，使用XMLBeans之类的东西来减少手动解析XML时引入错误的可能性。 获取一个经过良好测试的库来为您完成工作！