dom4j 中的元素偏移和覆盖文本

Question

我们需要处理一个包含 PCDATA 元素的 XML 文件，如下所示：

<corpus id="c01">
  <text id="t01>
    <sentence id="s01">Mary <instance id="i01">had</instance> a <instance id="i02">lamb</instance>.</sentence>
    <sentence id="s02">...</sentence>
    ...
  </text>
  ...
</corpus>

对于每个对于每个，我们需要填充一个包含句子 ID 和句子涵盖的全文的数据结构。然后，对于每个，我们需要填充一个数据结构，其中包含实例 ID 及其在句子中的开始和结束位置。 （我们不关心空白是否被标准化。）

因此对于上面的例子，我们基本上需要以下内容：

s.id = "s01"
s.text = "Mary had a lamb."
i1.id = "i01"
i1.start = 6
i1.end = 8
i2.id = "i02"
i2.start = 12
i2.end = 15

有没有办法用 dom4j 做到这一点？ Element.getText() 方法会跳过子元素的文本，并且我没有看到任何给出元素在另一个元素中的偏移量的方法。如果 dom4j 不适合此任务，那么什么是更好的工具？

Answer 1

这当然是可行的，但需要做一些工作。您可以创建一个访问者来跟踪它在树中的位置，并随着它的进展累积文本和实例偏移量。然而，该解决方案也可以直接由 SAX 处理程序实现，这样会快得多。

这应该给出一些开始：

public class Main extends DefaultHandler {

StringBuilder buf = new StringBuilder();
boolean collecting = false;
int ic = 0;

@Override
public void startElement(String uri, String localName, String qName,
        Attributes attributes) throws SAXException {
    if (localName.equals("sentence")) {
        System.out.printf("s.id=%s\n", attributes.getValue("id"));
        collecting = true;
        buf.setLength(0);
        ic = 0;
    } else if (localName.equals("instance")) {
        ++ic;
        System.out.printf("i%d.id=%s\n", ic, attributes.getValue("id"));
        System.out.printf("i%d.start=%s\n", ic, buf.length());
    }

}

@Override
public void endElement(String uri, String localName, String qName)
        throws SAXException {
    if (localName.equals("sentence")) {
        collecting = false;
        System.out.printf("s.text=%s\n", buf.toString());
    } else if (localName.equals("instance")) {
        System.out.printf("i%d.end=%s\n", ic, buf.length());
    }
}

@Override
public void characters(char[] ch, int start, int length)
        throws SAXException {
    if (collecting) {
        buf.append(ch, start, length);
    }
}

public static void main(String[] args) throws Exception {

    SAXParserFactory f = SAXParserFactory.newInstance();
    f.setNamespaceAware(true);
    f.newSAXParser().parse(Main.class.getResourceAsStream("data.xml"),
            new Main());
}
}