如何从 Java 中的 XML 文件中提取所有 PCDATA（文本）？

Question

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

下面是示例 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，我想提取

我想要提取的一些文本 更多文字 某机构 鲍勃·史密斯

但是，每个 块在元素/顺序或向下的程度方面显然是不同的。 Java 有没有办法使用 DOM 来做到这一点？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

Answer 1

XSLT 样式表可以工作：

更新 #2：我怀疑这是否适合您，因为您实际上使用的是 SGML 而不是 XML。问题是您问题中的元素声明具有 XML 中不允许的标记最小化。

更新：修改了 XML 输入和 XSLT，仅显示 < 中的文本;TEXT> 结构。

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

我想提取一些文本
更多文本鲍勃·史密斯代理机构

注意：仅当 TEXT 是 ROOT 的子级时，此 XSLT 才有效。如果 TEXT 可能嵌套得更深，您可以将“select”更改为 select="normalize-space(//TEXT)"。

Answer 2

我不是 SAX 的忠实粉丝，但对于这个，我认为它会很好用。

只需定义一个 sax 处理程序，但仅使用 characters 方法。然后只需将接收到的字符放入 StringBuilder 中即可。

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();
  }

}