xml - 在 XML 中保留原始换行符类型(\r vs\r\n)

Question

我有一个应用程序，我想在其中使用 XML 文件来存储:(1) 文档的原始文本，以及 (2) 使用字符偏移“指向”原始文本的几个实体。例如:

<Document>
  <OriginalText>This is a test</OriginalText>
  <Word start_offset="0" end_offset="4" id="w1"/>
  <Word start_offset="6" end_offset="7" id="w2"/>
  <Word start_offset="8" end_offset="9" id="w3"/>
  <Word start_offset="10" end_offset="14" id="w4"/>
</Document>

但是，我担心一个潜在的问题——我无法控制输入文档的内容，因此它可能包含“\n”或“\r\n”换行符。然而，XML 规范 [1] 说:

The XML processor MUST behave as if it normalized all line breaks in external parsed entities (including the document entity) on input, before parsing, by translating both the two-character sequence #xD #xA and any #xD that is not followed by #xA to a single #xA character.

换行符在应用程序看到 XML 文件之前得到规范化。不幸的是，在我看来这可能会导致字符偏移。例如，在偏移量标准化之前位于偏移量 173 处的字符可能在偏移量标准化后位于偏移量 168 处。我的问题:

1. 我是否正确解释了 XML 规范？

2. 我假设仅对换行符进行编码(即，将\r 替换为 )不会解决问题，因为编码的字符将在 XML 处理器规范化换行符之前被替换。对吗？

3. 谁能推荐一个好的解决方案？我考虑过的一种解决方案是用其他字符(空格或某些“特殊”字符)替换在规范化过程中会被删除的\r 字符；但如果可能的话，我不想修改原始文档文本。另一种可能的解决方案是对原始文档进行编码(例如使用 base64 或 uuencode)，但我真的不想这样做，因为这会使 XML 文件更难阅读和使用。

(使用字符偏移指向文档不是一个可以更改的设计决策，因为我需要与其他使用字符偏移指向文档文本的工具集成。)

[1] http://www.w3.org/TR/REC-xml/#sec-line-ends

Answer 1

我理解您引用的规范部分的方式是所有键入(文字)CR 字符都被替换，并且在解析之前被替换。因此，任何表示为字符引用 的 CR 都不会被 LF 替换，因为替换应该在之前完成解析(或者它应该像在解析之前完成一样工作)并且字符引用在 XML 解析期间转换为字符数据。请注意，CDATA 部分中的 CR 也会被替换，但是 CDATA 部分中的字符引用也不会被解析为它们引用的实际字符。

因此，如果您将换行符序列化为字符引用，您应该能够保留换行符。但是，请注意:我不会指望所有 XML 工具都遵守此约定。如果将已解析的 XML 发送到另一个再次解释内容的工具，您也可能会丢失 CR。

此外，按字符位置索引数据对我来说听起来很脆弱。请考虑您能否找到另一种方法来标记或分割您的数据。如果您需要坚持使用基于字符位置的索引，我建议以某种方式规范化文本数据。毕竟，换行不是唯一可能的故障点。其他包括例如重音字符和连字。