我正在解析（使用Groovy）从LibreOffice .odt（Writer）文件中获取的content.xml。
我想确保我清理文件中的所有文本，按换行符拆分。
在Java的org.w3c.dom.Node（或Groovy的groovy.util.Node）中，有一种方法可以获取任何节点（dom.Node.getTextContent / util.Node.text）下的所有文本。对于最高节点，这将打印文件中的所有文本，但它会忽略换行符。
这让我想到我必须走路（深度优先）穿过结构，识别各条线。
通过这样的结构解析，我发现节点名称的“本地部分”往往有文本是“p”（段落）和“h”（标题）。
我还假设“p”或“h”不能嵌套另一个“p”或“h”（尽管有一些复杂的嵌入式结构我确信它们可以......）。但是，清楚地检查给定“p”下的任何spans将生成您已经从其祖先“p”节点获得的文本。
但是“p”和“h”是我需要关注的唯一QNames吗？我应该如何处理嵌入式结构的可能性（例如包含一些文本的图形）。
是否有一些技术可以让我逐个节点地获得所有文本的全面列表，确保没有错过任何文本而没有重复文本？
如果失败了，OpenDocument格式的某些方面可能让我解决这个问题吗？有趣的是，在“content.xml”下的brief overview at Wikip中的示例仅使用这两个QNames，“p”和“h”。
答案 0 :(得分：1)
除非有人反对，否则我不会删除这个问题，因为似乎没有人喜欢它。
从第一次实验看，org.odftoolkit.simple.TextDocument.getParagraphIterator()将遍历所有段落，包括＆＃34; h＆＃34; QNames（=标题），还包括空段落。一个好兆头。
请记住这些＆＃34;段落＆＃34;实际上可能是多行段落：在一个Writer文件中，一段＆＃34;段落标记＆＃34;和＃34;换行符＆＃34;。对此的解决方案非常简单：只需在换行符上拆分Groovy人的getTextContent() /（textContent属性）String ...