使用XPath解析XML文件非常方便，但是它不能解析CDATA标签内的数据：
<![CDATA[ Some Text <p>more text and tags</p>... ]]>
我的解决方案：首先获取XML的内容，然后删除。
"<![CDATA[" and "]]>".
接下来我将从xml文件中运行xpath“到达所有内容”。是否有更好的解决方案？如果没有，如何使用正则表达式实现？
Java：从XML中删除CDATA标记
8
我的解决方案：首先获取XML的内容，然后删除。
- SandyBr
3
1移除 CDATA 可能会使您的 XML 无效（并且对于处理目的可能是无用的）。 - Amol Katdare
1正则表达式和XML不兼容。请阅读https://dev59.com/X3I-5IYBdhLWcg3wq6do。 - Jim Garrison
那么，获取标题、描述、发布时间以及同时从rss xml文件中获取cdata内容的解决方案是什么？实际上，我需要从CDATA中获取图像链接。 - SandyBr
5个回答
2
使用CDATA标记的原因是其中的所有内容都是纯文本，没有任何应该直接解释为XML的内容。你也可以将问题中的文档片段写成以下形式：
Some Text <p>more text and tags</p>...
（前后带有空格）。
如果您确实想将其解释为XML，请从您的文档中提取文本，并再次将其提交给XML解析器。
- Paŭlo Ebermann
2
你是在暗示我的答案太复杂了吗？ - Alberto
1并不是真的存在问题...我只是说，通常情况下不应该出现这个问题，因为 CDATA 区域中的内容不应该被解释为 XML。 - Paŭlo Ebermann
2
为了去掉CDATA并保留标签，你可以使用XSLT。
给定以下XML输入：
使用这个XSLT：
将返回以下XML：
给定以下XML输入：
<?xml version="1.0" encoding="ISO-8859-1"?>
<root>
<child>Here is some text.</child>
<child><![CDATA[Here is more text <p>with tags</p>.]]></child>
</root>
使用这个XSLT：
<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
xmlns:xs="http://www.w3.org/2001/XMLSchema"
exclude-result-prefixes="xs"
version="2.0">
<xsl:output method="xml" indent="yes"/>
<xsl:strip-space elements="*"/>
<xsl:template match="*">
<xsl:copy>
<xsl:apply-templates select="*" />
<xsl:value-of select="text()" disable-output-escaping="yes"/>
</xsl:copy>
</xsl:template>
</xsl:stylesheet>
将返回以下XML：
<?xml version="1.0" encoding="UTF-8"?>
<root>
<child>Here is some text.</child>
<child>Here is more text <p>with tags</p>.</child>
</root>
（在oXygen 12.2中使用Saxon HE 9.3.0.5测试通过）
然后，您可以使用xPath提取p元素的内容：
/root/child/p
- james.garriss
1
我需要完成相同的任务。我用两个XSLT解决了它。
请让我强调，这只有在CDATA是格式良好的XML时才有效。
为了完整起见，让我向您的示例XML添加一个根元素：
<root>
<well-formed-content><![CDATA[ Some Text <p>more text and tags</p>]]>
</well-formed-content>
</root>
图1. - 开始的XML
第一步
在第一个转换步骤中，我已经将所有文本节点包装在一个新引入的 XML 实体 old_text 中：
<?xml version="1.0" encoding="UTF-8" ?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="xml" indent="no" version="1.0"
encoding="UTF-8" standalone="yes" />
<xsl:template match="*">
<xsl:copy>
<xsl:apply-templates select="*|text()|@*|comment()|processing-instruction()" />
</xsl:copy>
</xsl:template>
<!-- Attribute-nodes and comment-nodes: Pass through without modifying -->
<xsl:template match="@*|comment()|processing-instruction()">
<xsl:copy-of select="." />
</xsl:template>
<!-- Text-nodes: Wrap them in a new node without escaping it. -->
<!-- (note precondition: CDATA should be valid xml. -->
<xsl:template match="text()">
<xsl:element name="old_text">
<xsl:value-of select="." disable-output-escaping="yes" />
</xsl:element>
</xsl:template>
</xsl:stylesheet>
图2.- 第一个xslt（在“old_text”元素中包装CDATA）
如果您将此转换应用于起始xml，则会得到以下结果（我不会重新格式化它以避免对谁做什么的混淆）：
<?xml version="1.0" encoding="UTF-8" standalone="yes"?><root><old_text>
</old_text><well-formed-content><old_text> Some Text <p>more text and tags</p>
</old_text></well-formed-content><old_text>
</old_text></root>
图3.- 转换后的XML（第一步）
第二步
现在您需要清理引入的old_text元素，并重新转义未创建新节点的文本：
<?xml version="1.0" encoding="UTF-8" ?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="xml" indent="no" version="1.0"
encoding="UTF-8" standalone="yes" />
<!-- Element-nodes: Process nodes and their children -->
<xsl:template match="*">
<xsl:copy>
<xsl:apply-templates select="*|text()|@*|comment()" />
</xsl:copy>
</xsl:template>
<!-- Attribute-nodes and comment-nodes: Pass through without modifying -->
<xsl:template match="@*|comment()">
<xsl:copy-of select="." />
</xsl:template>
<!--
'Wrapper'-node: remove the wrapper element but process its children.
With this matcher, the "old_text" is cleaned, but the originally CDATA
well-formed nodes surface in the resulting xml.
-->
<xsl:template match="old_text">
<xsl:apply-templates select="*|text()" />
</xsl:template>
<!--
Text-nodes: Text here comes from original CDATA and must be now
escaped. Note that the previous rule has extracted all the existing
nodes in the CDATA. -->
<xsl:template match="text()">
<xsl:value-of select="." disable-output-escaping="no" />
</xsl:template>
</xsl:stylesheet>
图4.- 第二个xslt（清理后的人工引入元素）
结果
这是最终结果，原本在CDATA中的节点已经在您的新XML文件中展开：
<?xml version="1.0" encoding="UTF-8" standalone="yes"?><root>
<well-formed-content> Some Text <p>more text and tags</p>
</well-formed-content>
</root>
图5.- 最终的xml
注意事项
如果您的CDATA包含在XML中不支持的HTML字符实体（例如，请参阅此wikipedia有关字符实体的文章），则需要将这些引用添加到您的中间XML中。让我举个例子：
<root>
<well-formed-content>
<![CDATA[ Some Text <p>more text and tags</p>,
now with a non-breaking-space before the stop: .]]>
</well-formed-content>
</root>
图6.- 在图1中添加了字符实体
图2中的原始xslt将把xml转换为以下内容：
<?xml version="1.0" encoding="UTF-8" standalone="yes"?><root><old_text>
</old_text><well-formed-content><old_text>
Some Text <p>more text and tags</p>,
now with a non-breaking-space before the stop: .
</old_text></well-formed-content><old_text>
</old_text></root>
图7.- 尝试将图6中的xml转换后的结果（格式不正确！）
这个文件的问题在于它的格式不正确，因此不能使用XSLT处理器进一步处理：
引用了实体“nbsp”，但未声明。 XML检查完成。
图8.- 对图7中的xml进行格式正确性检查的结果
这个解决方法很简单（match="/"模板添加了 实体）：
<?xml version="1.0" encoding="UTF-8" ?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="xml" indent="no" version="1.0"
encoding="UTF-8" standalone="yes" />
<!-- Add an html entity to the xml character entities declaration. -->
<xsl:template match="/">
<xsl:text disable-output-escaping="yes"><![CDATA[<!DOCTYPE root
[
<!ENTITY nbsp " ">
]>
]]>
</xsl:text>
<xsl:apply-templates select="*" />
</xsl:template>
<xsl:template match="*">
<xsl:copy>
<xsl:apply-templates select="*|text()|@*|comment()|processing-instruction()" />
</xsl:copy>
</xsl:template>
<!-- Attribute-nodes and comment-nodes: Pass through without modifying -->
<xsl:template match="@*|comment()|processing-instruction()">
<xsl:copy-of select="." />
</xsl:template>
<!-- Text-nodes: Wrap them in a new node without escaping it. -->
<!-- (note precondition: CDATA should be valid xml. -->
<xsl:template match="text()">
<xsl:element name="old_text">
<xsl:value-of select="." disable-output-escaping="yes" />
</xsl:element>
</xsl:template>
</xsl:stylesheet>
图9.- XSLT创建实体声明
现在，在将此XSLT应用于图6源XML后，这是中间XML：
<?xml version="1.0" encoding="UTF-8" standalone="yes"?><!DOCTYPE root
[
<!ENTITY nbsp " ">
]>
<root><old_text>
</old_text><well-formed-content><old_text>
Some Text <p>more text and tags</p>,
now with a non-breaking-space before the stop: .
</old_text></well-formed-content><old_text>
</old_text></root>
图10.- 中级xml（来自图3加实体声明的xml）
你可以使用图4中的xslt转换来生成最终的xml：
<?xml version="1.0" encoding="UTF-8" standalone="yes"?><root>
<well-formed-content>
Some Text <p>more text and tags</p>,
now with a non-breaking-space before the stop: .
</well-formed-content>
</root>
图11.- 最终的 XML，其中 HTML 实体已转换为 UTF-8
注释
在这些示例中，我使用了NetBeans 7.1.2内置的XSLT处理器(com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl - 默认JRE XSLT处理器)
免责声明：我不是XML专家。我感觉这应该更容易...
- Alberto
1
你可以使用正则表达式从XML中删除cdata，通过删除XML中所需的内容来完成。
例如：
请检查，如果这解决了您的问题。
例如：
String s = "<sn><![CDATA[poctest]]></sn>";
s = s.replaceAll("!\\[CDATA", "");
s = s.replaceAll("]]", "");
s = s.replaceAll("\\[", "");
Result will be:
<sn><poctest></sn>
请检查，如果这解决了您的问题。
- mukesh.stackOverflow
0
试试这个：
public static removeCDATA (String text) {
String resultString = "";
Pattern regex = Pattern.compile("(?<!(<!\\[CDATA\\[))|((.*)\\w+\\W)");
Matcher regexMatcher = regex.matcher(text);
while (regexMatcher.find()) {
resultString += regexMatcher.group();
}
return resultString;
}
当我使用您的测试输入
<![CDATA[ Some Text <p>more text and tags</p>... ]]>调用此方法时，该方法将返回Some Text <p>more text and tags</p>
但我认为这种没有正则表达式的方法会更可靠。像这样：
public static removeCDATA (String text) {
s = s.trim();
if (s.startsWith("<![CDATA[")) {
s = s.substring(9);
int i = s.indexOf("]]>");
if (i == -1) throw new IllegalStateException("argument starts with <![CDATA[ but cannot find pairing ]]>");
s = s.substring(0, i);
}
return s;
}
- thomas.adamjak
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接