使用StAX从父元素解析文本和元素

Question

DL/DR；

我正在使用

StAX

流式解析 XML 文件以提取一些数据。

我遇到的问题是，当我遇到一个同时包含文本和另一个

element

的

element

时，当我尝试使用

xmlEventReader.getElementText()

提取文本时，它会抛出异常，因为该方法期望父级

element

仅包含文本。

<div>Hello <i>World</i>!</div>

事实上，

div

标签直接包含文本和

i

标签，导致文本提取失败。

我希望能够从上面的示例 XML 中提取

Hello World!

。

整个故事

我正在编写一个小型 Java 应用程序来导出当前存储在 Evernote 中的食谱，然后将它们导入到另一个应用程序中。

我只是厌倦了 Evernote 不断涌现的注册 PRO 的行为。

我正在使用

StAX

来流式解析包含我的笔记的 XML 文件，每个笔记都包含一个食谱。

我可以从 Evernote 导出所有笔记，现在我需要解析这些笔记以提取我的食谱数据。成分和说明以

CDATA element

内的 HTML 标记存储在笔记正文中。

我基本上解析了所有 XML/HTML 元素，一旦到达

li

标签，我就设置我处于

list-item

内的状态，并将其中的任何文本连接在一起，从而删除任何文本作为格式插入的 HTML 标记。

它工作得很好，但是当有一个

element

包含

text

和另一个

element

时，我遇到了一个小问题。

当我到达该父元素并调用

xmlEventReader.getElementText()

时，它会抛出异常，因为该方法期望

element

仅包含文本。

示例 XML

我使这个示例非常简单，仅包含一些说明，删除了成分逻辑。

<en-note>
    <ol>
        <li>
            <div>Add all ingredients to a </div>
            <div>ziplock freezer bag</div>
        </li>
        <li>
            <div>Freezer until needed (<i>maximum 2 months</i>).</div>
        </li>
    </ol>
</en-note>

这是解析笔记正文的代码。

我简化了这段代码，删除了与成分相关的任何逻辑，因为它与问题无关。

上述 XML 将被加载到代码示例顶部的

recipeContent

变量中。

由于

listItemValueSb.append(xmlEventReader.getElementText());

标签，代码在解析第二个方向时在

i

处中断。

import java.io.StringReader;
import java.util.ArrayList;
import java.util.List;

import javax.xml.stream.XMLEventReader;
import javax.xml.stream.XMLInputFactory;
import javax.xml.stream.XMLStreamException;
import javax.xml.stream.events.EndElement;
import javax.xml.stream.events.StartElement;
import javax.xml.stream.events.XMLEvent;

...

private static void parseRecipeContent(
        final String recipeContent,
        final RecipeContentHandler recipeContentHandler
)
        throws XMLStreamException
{
    final XMLInputFactory xmlInputFactory = XMLInputFactory.newInstance();
    XMLEventReader xmlEventReader = null;

    try(
            final StringReader stringReader = new StringReader(recipeContent);
    )
    {
        xmlEventReader = xmlInputFactory.createXMLEventReader(stringReader);
        XMLEvent currentEvent;
        StartElement tmpStartElement;
        EndElement tmpEndElement;
        boolean directionsMode = false;
        boolean withinLiTag = false;
        StringBuilder listItemValueSb = null;
        final List<String> directions = new ArrayList<>();
        
        while (xmlEventReader.hasNext())
        {
            currentEvent = xmlEventReader.nextEvent();
            
            // If the current event is an END-EVENT, then potentially end this recipe.
            if (currentEvent.isEndElement())
            {
                tmpEndElement = currentEvent.asEndElement();
                
                switch (tmpEndElement.getName().getLocalPart().toLowerCase())
                {
                    case "en-note":
                        // Inform the calling code of the newly found recipe.
                        recipeContentHandler.handleRecipeContent(
                                ingredients,
                                directions
                        );
                        
                        break;
                    case "li":
                        withinLiTag = false;
                        
                        if (
                                (listItemValueSb != null)
                                    &&
                                (listItemValueSb.length() > 0)
                        )
                        {
                            directions.add(listItemValueSb.toString());
                        }
                        
                        break;
                    default:
                        break;
                }
                
                continue;
            }
            
            // If the current event is a START-EVENT, then extract the relevant data.
            if (!currentEvent.isStartElement())
            {
                continue;
            }
            
            tmpStartElement = currentEvent.asStartElement();
            
            switch (tmpStartElement.getName().getLocalPart().toLowerCase())
            {
                case "en-note":
                    withinLiTag = false;
                    directions.clear();
                    
                    break;
                case "li":
                    withinLiTag = true;
                    listItemValueSb = new StringBuilder();
                    
                    break;
                default:
                    final XMLEvent nextXMLEvent = xmlEventReader.peek();
                    
                    if (
                            (nextXMLEvent == null)
                                ||
                            !nextXMLEvent.isCharacters()
                    )
                    {
                        break;
                    }
                    
                    if (withinLiTag)
                    {
                        listItemValueSb.append(xmlEventReader.getElementText());
                    }
                    
                    break;
            }
        }
    }
    finally
    {
        if (xmlEventReader != null)
        {
            xmlEventReader.close();
        }
    }
}

Answer 1

您的要求似乎是

li

内的所有文本都很重要，无论格式如何。使用

peek

事件并不能很好地处理这种情况。相反，如果您在当前“继续”的分支上获取所有文本内容，并在此处进行更改，则会更容易：

// If the current event is a START-EVENT, then extract the relevant data.
if (!currentEvent.isStartElement())  {
    // This ensures all character content inside <li> is recorded
    if (withinLiTag && currentEvent.isCharacters()) {
        listItemValueSb.append(currentEvent.asCharacters().getData());
    }
    continue;
}

上面这行收集了

li

的内部文本，并使所有窥视流的“默认”代码变得不必要，只需注释掉即可：

switch (tmpStartElement.getName().getLocalPart().toLowerCase()) {
    ...
    default:
        // comment out the default handling:
        // final XMLEvent nextXMLEvent = xmlEventReader.peek();
        // ...