如何从 Java 中的 XML 文件中提取所有 PCDATA（文本）？答案

【问题标题】：How can I extract all PCDATA (text) from an XML file in Java?如何从 Java 中的 XML 文件中提取所有 PCDATA（文本）？
【发布时间】：2011-05-13 09:26:22
【问题描述】：

我有一堆 XML 文件以及 DTD，每个文件都有一个 <TEXT> 部分。 TEXT 元素的 DTD 如下所示：

这是一个示例 XML 文件的样子：

<ROOT>
  ...
  <TEXT>
  Some text that I want to extract
  <SUMMARY> Some more text </SUMMARY>
  <AGENCY> 
     An agency
     <SIGNER> Bob Smith </SIGNER>
  </AGENCY>
  </TEXT>
  ...
</ROOT>

最后，我要提取

我想提取的一些文本还有一些文字一个机构鲍勃·史密斯

但是，每个<TEXT> 块显然在元素/排序方面或您走多远方面都不相同。在 Java 中有没有使用 DOM 的方法可以做到这一点？我更喜欢使用 DOM 而不是 SAX，但如果使用 SAX 更容易，那就这样吧。

提前致谢

【问题讨论】：

标签： java xml xml-parsing

【解决方案1】：

XSLT 样式表可以工作：

更新 #2：我怀疑这对你有用，因为你实际上使用的是 SGML 而不是 XML。赠品是您在问题中的元素声明具有 XML 中不允许的标签最小化。

更新：修改 XML 输入和 XSLT 以仅显示 <TEXT> 结构中的文本。

XML 输入

<ROOT>
  <IGNORE>ignore this data</IGNORE>
  <TEXT>
    Some text that I want to extract
    <SUMMARY> Some more text </SUMMARY>
    <AGENCY> 
      An agency
      <SIGNER> Bob Smith </SIGNER>
    </AGENCY>
  </TEXT>
  <IGNORE>ignore this data</IGNORE>
</ROOT>

XSLT

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
  <xsl:output method="text"/>

  <xsl:template match="/">
    <xsl:value-of select="normalize-space(/ROOT/TEXT)"/>
  </xsl:template>

</xsl:stylesheet>

输出

我想提取的一些文本 Some 更多文字代理机构 Bob Smith

注意：此 XSLT 仅在 TEXT 是 ROOT 的子项时才有效。如果 TEXT 可能嵌套更深，您可以将“选择”更改为 select="normalize-space(//TEXT)"。

【讨论】：

你是对的，它是 SGML，但到目前为止它是 XML 兼容的

【解决方案2】：

我不是 SAX 的忠实粉丝，但我认为它会很好地工作。

只定义一个 sax 处理程序，但只使用 characters 方法。然后只需将接收到的字符放入StringBuilder 即可完成。

public class textExtractor extends DefaultHandler {

  private StringBuilder sb = new StringBuilder();

  public void characters(char[] ch, int start, int length){
    for (int i=0; i<length; i++){
      sb.append(ch[i]);
    }
  }

  public String getText(){
    return sb.toString();
  }

}

【讨论】：

我想我会采用这种方法。萨克斯处理程序必须是它自己的类吗？或者我可以简单地扩展我的主要方法的父类吗？
您可以扩展父类，但我不认为这是一种新方法。如果你不想为此创建一个特定的类，你可以使用匿名类。