XML 文本提取 [英] XML text extraction

问题描述

场景:

给定以下 XML 文件:

Given the following XML file:

<a:root
xmlns:h="http://www.w3.org/TR/html4/"
xmlns:f="http://www.w3schools.com/furniture">

<h:table>
  <h:tr>
    <h:td>Apples</h:td>
    <h:td>Bananas</h:td>
  </h:tr>
</h:table>

<f:table>
  <f:name>African Coffee Table</f:name>
  <f:width>80</f:width>
  <f:length>120</f:length>
</f:table>

aaaaaaaaaaaaaa

</a:root>

如何提取主元素内的文本:

How do I extract the text inside the main element <a:root>:

"\naaaaaaaaaaaaaa\n"

我现在拥有的代码是:

import java.io.File;
import java.util.Stack;

import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;

import org.w3c.dom.Document;
import org.w3c.dom.NodeList;


public class Proof {
    public static void main(String[] args) {
        Document doc = null;
        DocumentBuilderFactory dbf = null;
        DocumentBuilder docBuild = null;
        try {

            dbf = DocumentBuilderFactory.newInstance();
            docBuild = dbf.newDocumentBuilder();
            doc = docBuild.parse(new File("test2.xml"));

            System.out.println(doc.getFirstChild().getTextContent());
        } catch(Exception e) {
            e.printStackTrace();
        }
    }
}

但它返回我想要的文本(aaaaaaaaaaaaa")+其余元素的内部文本.输出:

But it returns the text I desire ("aaaaaaaaaaaaaa") + the inner text for the rest of the elements . Output:

    Apples
    Bananas




  African Coffee Table
  80
  120


aaaaaaaaaaaaaa

要求不使用额外的 XML Java 库！

The requirement is not to use an additional XML java library !

推荐答案

@Kirill Polishchuk 的回答不正确:

建议:

a:root/text()

1. 是一个相对表达式，如果它没有以根 (/) 节点作为上下文节点进行评估，则它不会在提供的 XML 文档中选择任何内容.

1. Is a relative expression and if it isn't evaluated having the root (/) node as the context node it selects nothing in the provided XML document.

即使是 XPath 表达式:/a:root/text() 也是不正确的，因为它选择了三个文本节点——所有文本节点的子节点顶部元素——包括两个纯空白文本节点.

Even the XPath expression: /a:root/text() is incorrect, because it selects three text nodes -- all text node children of the top element -- including two whitespace-only text nodes.

这是一个正确的 XPath 解决方案:

/a:root/text()[string-length(normalize-space()) > 0]

当此 Xpath 表达式应用于提供的 XML 文档时(更正为格式正确):

<a:root
xmlns:a="UNDEFINED !!!!"
xmlns:h="http://www.w3.org/TR/html4/"
xmlns:f="http://www.w3schools.com/furniture">

<h:table>
  <h:tr>
    <h:td>Apples</h:td>
    <h:td>Bananas</h:td>
  </h:tr>
</h:table>

<f:table>
  <f:name>African Coffee Table</f:name>
  <f:width>80</f:width>
  <f:length>120</f:length>
</f:table>

aaaaaaaaaaaaaa

</a:root>

它根据需要选择顶部元素的最后一个(并且只有非空白)文本节点子节点:

It selects the last (and only non-whitespace-only) text node child of the top element, as required:

aaaaaaaaaaaaaa

基于 XSLT 的验证:

<xsl:stylesheet version="1.0"
 xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
 xmlns:a="UNDEFINED !!!!"
 >
 <xsl:output omit-xml-declaration="yes" indent="yes"/>

 <xsl:template match="/">
  <xsl:text>"</xsl:text>
  <xsl:copy-of select=
   "/a:root/text()
           [string-length(normalize-space()) > 0]"/>"

 </xsl:template>
</xsl:stylesheet>

当对提供的 XML 文档(上图)应用此转换时，将输出所需的、正确选择的文本节点:

"

aaaaaaaaaaaaaa

"

这篇关于XML 文本提取的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！