java - OpenDocument 格式 : parse & split text by lines

Question

我正在解析(使用 Groovy)从 LibreOffice .odt(Writer)文件获取的 content.xml。

我想确保清除文件中的所有文本，并按换行符分割。

在Java的org.w3c.dom.Node(或Groovy的groovy.util.Node)中，有一个方法可以拾取任何节点下的所有文本(dom.Node.getTextContent/util.Node.text)。对于最高节点，这将打印文件中的所有文本，但忽略换行符。

这让我假设我必须(深度优先)遍历结构，识别各个行。

通过解析这样的结构，我发现节点名称的“本地部分”往往包含文本是“p”(段落)和“h”(标题)。

我还假设“p”或“h”不能嵌套另一个“p”或“h”(尽管有一些复杂的嵌入结构，我确信它们可以......)。但是，清楚地检查给定“p”下的任何span将生成您已经从其祖先“p”节点获得的文本。

但是“p”和“h”是我需要查看的唯一 QName 吗？我应该如何处理嵌入结构的可能性(例如包含一些文本的图形)。

是否有某种技术可以让我逐个节点地获得所有文本的全面列表，确保没有遗漏任何文本，也没有重复的文本？

如果失败了，OpenDocument 格式的某些方面是否可以让我解决这个问题？有趣的是 brief overview at Wikip 中的示例在“content.xml”下，仅使用这两个 QName，“p”和“h”。

Answer 1

蒂姆·耶茨的评论似乎是最好的选择。

除非有人反对，否则我不会删除这个问题，因为似乎没有另一个类似的问题。

从第一个实验来看，org.odftoolkit.simple.TextDocument.getParagraphIterator()将迭代所有段落，包括“h”QNames(=标题)，还包括空段落。这是一个好兆头。

请记住，这些“段落”实际上可能是多行段落:在 Writer 文件中，“段落标记”和“换行符”之间是有区别的。然而，解决这个问题的方法非常简单:只需在换行符上拆分 Paragraph getTextContent()/(textContent property for Groovy people) String性格...