java - 如何从 Java 中的 XML 文件中提取所有 PCDATA(文本)？

Question

我有一堆 XML 文件和 DTD，每个文件都有一个 <TEXT>部分。 TEXT 的 DTD元素看起来像这样:

<!ELEMENT TEXT - - (AGENCY* | ACTION* | SUMMARY* | DATE* | FOOTNAME* | FURTHER* | SIGNER* | SIGNJOB* | FRFILING* | BILLING* | FOOTNOTE* | FOOTCITE* | TABLE* | ADDRESS* | IMPORT* | #PCDATA)+ >

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

Some text that I want to extract Some more text An agency Bob Smith

但是，每个 <TEXT> block 显然在元素/排序方面不一样，或者你走了多远。在 Java 中有没有一种使用 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

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。赠品是您在问题中的元素声明具有标记最小化，这在 XML 中是不允许的。

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

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

Some text that I want to extract Some more text An agency 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“select”更改为 select="normalize-space(//TEXT)" .