java - 在 SAXParser 中捕获部分 XML 代码的方法

Question

我需要在 <page> 内捕获文本我的 XML 文件的标签。整个文本，以及其他标签、它们的属性等。我可以使用例如正则表达式来做到这一点，但我需要这样做是安全的，所以我想使用 SAXParser。

但恐怕 ContentHandler 可以从 SAXParser 接收到的所有信息都不足以执行此操作(例如，找到的 XML 标记开头的光标位置会有很大帮助)。

那么，还有其他安全的方法吗？

而不是 <page> 中的文本，例如，它可能是 DOM 树，但为了性能，我更喜欢第一种方式。

Answer 1

好的，我首先要做的是为自己创建一个自定义 DefaultHandler类似下面的内容；

public class PrintXMLwithSAX extends DefaultHandler {

  private int embedded = -1;
  private StringBuilder sb = new StringBuilder();
  private final ArrayList<String> pages = new ArrayList<String>();    


  @Override
  public void startElement(String uri, String localName, String qName, Attributes attributes) throws SAXException {
      if(qName.equals("page")){
          embedded++;
      }
      if(embedded >= 0) sb.append("<"+qName+">");
  }

  @Override
  public void characters(char[] ch, int start, int length) throws SAXException {
      if(embedded >= 0) sb.append(new String(ch, start, length));
  }

  @Override
  public void endElement(String uri, String localName, String qName) throws SAXException {
      if(embedded >= 0) sb.append("</"+qName+">");
      if(qName.equals("page")) embedded--;
      if(embedded == -1){
          pages.add(sb.toString());
          sb = new StringBuilder();
      }
  }

  public ArrayList<String> getPages(){
      return pages;
  }

}

DefaultHandler (解析时)遍历每个元素并调用 startElement() , characters() , endElement()和其他一些人。上面的代码检查 startElement() 中的元素是否是 <page>元素。如果是这样，它会递增 embedded通过 1. 之后，每个方法检查是否 embedded >= 0。如果是，它将每个元素内的字符及其标签(不包括此特定示例中的属性)附加到 StringBuilder目的。 endElement()减量 embedded当它找到 </page> 的结尾时元素。如果 embedded 回退到 -1，我们知道我们不再在一系列页面元素中，因此我们添加 StringBuilder 的结果。到 ArrayList pages并开始新的StringBuilder等待另一个<page>元素。

然后您需要运行处理程序然后检索您的 ArrayList包含您的 <page> 的字符串像这样的元素；

    SAXParserFactory factory = SAXParserFactory.newInstance();
    SAXParser saxParser = factory.newSAXParser();
    PrintXMLwithSAX handler = new PrintXMLwithSAX();
    InputStream input = new FileInputStream("C:\\Users\\me\\Desktop\\xml.xml");
    saxParser.parse(input, handler);
    ArrayList<String> myPageElements = handler.getPages();

现在myPageElements是一个 ArrayList包含所有页面元素及其内容作为字符串。

希望对您有所帮助。