java - 在 XML 文档中，是否可以区分实体编码的字符和非实体编码的字符？

Question

我正在向一个 XML 文档提供有关我需要解析的在线资源的元数据。不同的元数据项中有一组标签，这些标签以逗号分隔。这是一个例子:

<tags>Research skills, Searching&#44; evaluating and referencing</tags>

问题是这些“标签”之一包含逗号。标签内的逗号已编码，但用于分隔标签的逗号则未编码。我(当前)正在使用getText() method on org.dom4j.Node读取<tags>的文字内容元素，返回一个字符串。

问题是，据我所知，我无法区分我收到的字符串中编码的逗号(与未编码的逗号)。

除了编写自己的 XML 解析器之外，还有其他方法可以以更“原始”的状态访问此节点的文本内容吗？ (即编码逗号仍然编码的状态。)

Answer 1

当您使用 dom4j 或 DOM 时，所有实体都已解析，因此您需要返回到解析步骤来捕获字符引用。

SAX 是一个更底层的接口(interface)，并通过其 LexicalHandler 接口(interface)提供支持，以便在解析器遇到实体引用时获得通知，但它不报告字符引用。所以看来您确实需要编写一个自己的解析器，或者修补现有的解析器。

但最后，如果您可以更改文档的架构，那就最好了:

<tags>
    <tag>Research skills</tag>
    <tag>Searching, evaluating and referencing</tag>
</tags>

在当前文档中，字符引用用作元数据。 XML 元素是表达这一点的更好方式。