如何從Java中的XML文件提取所有PCDATA（文本）？

Question

我有一堆XML文件以及DTD，每個文件都有一個<TEXT>部分。爲TEXT元素的DTD如下：

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

下面是一個示例XML文件是什麼樣子：

<ROOT> 
    ... 
    <TEXT> 
    Some text that I want to extract 
    <SUMMARY> Some more text </SUMMARY> 
    <AGENCY> 
    An agency 
    <SIGNER> Bob Smith </SIGNER> 
    </AGENCY> 
    </TEXT> 
    ... 
</ROOT> 

最後，我想提取

我要提取的一些文字 部分文字 代理機構 Bob Smith

但是，每個<TEXT>塊在元素/排序方面顯然不一樣，或者每走一步都不一樣。有沒有在Java中使用DOM的方法，我可以做到這一點？我更喜歡在SAX上使用DOM，但如果使用SAX更容易，那就這樣吧。

在此先感謝

Answer 1

XSLT樣式表將工作：

更新＃2：我懷疑這會因爲你實際使用SGML，而不是XML爲你工作。放棄是你在你的問題中的元素聲明有標籤最小化，這在XML中是不允許的。

更新：修改了XML輸入和XSLT以僅顯示<TEXT>結構中的文本。

XML輸入

<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> 

輸出

，我要提取一些某些文本更多文本代理商Bob Smith

注意：如果TEXT是ROOT的子項，則此XSLT僅適用。如果TEXT可能嵌套得更深，可以將「select」更改爲select="normalize-space(//TEXT)"。

Answer 2

我不是SAX的大風扇，但對於這一點，我認爲這將很好地工作。

只需定義一個薩克斯處理程序，但只能使用characters方法。然後只需將收到的字符放入StringBuilder即可完成。

public class textExtractor extends DefaultHandler { 

    private StringBuilder sb = new StringBuilder(); 

    public void characters(char[] ch, int start, int length){ 
    for (int i=0; i<length; i++){ 
     sb.append(ch[i]); 
    } 
    } 

    public String getText(){ 
    return sb.toString(); 
    } 

}