通过 CDATA 从 Java 8 到 Java 11 的 XML 转换来处理换行符中的更改

java xml java-11 transformation sax

2022-09-04 23:07:37

在Java 9中，javax.xml.transform.Transformer with OutputKeys.INDENT处理CDATA标签的方式发生了变化。简而言之，在Java 8中，一个名为“test”的标签包含一些字符数据将导致：

<test><![CDATA[data]]></test>

但是对于Java 9，相同的结果

<test>
    <![CDATA[data]]>
</test>

这不是同一个 XML。

我了解到（从不再可用的来源）对于Java 9，使用带有setIgnoringElementContentWhitespace=true的DocumentBuilderFactory有一个解决方法，但这不再适用于Java 11。

有谁知道在Java 11中解决这个问题的方法吗？我要么正在寻找一种方法来防止额外的换行符（但仍然能够格式化我的XML），要么能够在解析XML时忽略它们（最好使用SAX）。

遗憾的是，我不知道 CDATA 标记在我的应用程序中实际包含哪些内容。它可能以空格或换行符开头或结尾，因此在读取 XML 或在生成的对象中实际设置值时，我不能只剥离它们。

演示问题的示例程序：

public static void main(String[] args) throws TransformerException, ParserConfigurationException, IOException, SAXException
{
    String data = "data";

    StreamSource source = new StreamSource(new StringReader("<foo><bar><![CDATA[" + data + "]]></bar></foo>"));
    StreamResult result = new StreamResult(new StringWriter());

    Transformer tform = TransformerFactory.newInstance().newTransformer();
    tform.setOutputProperty(OutputKeys.INDENT, "yes");
    tform.transform(source, result);

    String xml = result.getWriter().toString();

    System.out.println(xml); // I expect bar and CDATA to be on same line. This is true for Java 8, false for Java 11


    Document document = DocumentBuilderFactory.newInstance()
        .newDocumentBuilder()
        .parse(new InputSource(new StringReader(xml)));

    String resultData = document.getElementsByTagName("bar")
        .item(0)
        .getTextContent();

    System.out.println(data.equals(resultData)); // True for Java 8, false for Java 11
}

编辑：为了将来参考，我已经向Oracle提交了一个错误报告，这在Java 14中得到了修复：https://bugs.java.com/bugdatabase/view_bug.do?bug_id=JDK-8223291

答案 1

由于您的代码依赖于未指定的行为，因此额外的显式代码似乎更好：

您需要缩进，如下所示：

tform.setOutputProperty(OutputKeys.INDENT, "yes");
tform.setOutputProperty("{http://xml.apache.org/xslt}indent-amount", "4");

但是，不适用于包含 CDATA 的元素。

String xml = result.getWriter().toString();
// No indentation (whitespace) for elements with a CDATA section.
xml = xml.replaceAll(">\\s*(<\\!\\[CDATA\\[.*?]]>)\\s*</", ">$1</");

正则表达式使用：

(?s)DOT_ALL匹配任何字符，也可以是换行符。.
.*?最短匹配序列，不匹配“...]]>...]]>".

或者：在 DOM 树（保留 CDATA）中，可以检索每个 XPath 的所有 CDATA 部分，并使用父元素删除同级空格。

答案 2