Question

我们需要处理一个包含PCDATA元素的XML文件，如下所示：

<corpus id="c01">
  <text id="t01>
    <sentence id="s01">Mary <instance id="i01">had</instance> a <instance id="i02">lamb</instance>.</sentence>
    <sentence id="s02">...</sentence>
    ...
  </text>
  ...
</corpus>

对于每个＆lt;句子＆gt;在每个＆lt; text＆gt;中，我们需要填充包含句子ID和句子所覆盖的全文的数据结构。然后，对于每个＆lt; instance＆gt;，我们需要填充包含实例ID及其在句子中的开始和结束位置的数据结构。（我们不关心空白区域是否正常化。）

因此，对于上面的示例，我们基本上需要以下内容：

s.id = "s01"
s.text = "Mary had a lamb."
i1.id = "i01"
i1.start = 6
i1.end = 8
i2.id = "i02"
i2.start = 12
i2.end = 15

有没有办法用dom4j这样做？ Element.getText（）方法跳过子元素的文本，我没有看到任何方法给出了另一个元素的偏移量。如果dom4j不适合这项任务，那么什么是更好的工具？

Answer 1

这当然可行，但需要一点工作。您可以创建一个访问者，跟踪它在树中的位置，并在进展时累积文本和实例偏移量。但是，该解决方案也可以直接由SAX处理程序实现，这将快得多。

这应该从一开始就提供：

public class Main extends DefaultHandler {

StringBuilder buf = new StringBuilder();
boolean collecting = false;
int ic = 0;

@Override
public void startElement(String uri, String localName, String qName,
        Attributes attributes) throws SAXException {
    if (localName.equals("sentence")) {
        System.out.printf("s.id=%s\n", attributes.getValue("id"));
        collecting = true;
        buf.setLength(0);
        ic = 0;
    } else if (localName.equals("instance")) {
        ++ic;
        System.out.printf("i%d.id=%s\n", ic, attributes.getValue("id"));
        System.out.printf("i%d.start=%s\n", ic, buf.length());
    }

}

@Override
public void endElement(String uri, String localName, String qName)
        throws SAXException {
    if (localName.equals("sentence")) {
        collecting = false;
        System.out.printf("s.text=%s\n", buf.toString());
    } else if (localName.equals("instance")) {
        System.out.printf("i%d.end=%s\n", ic, buf.length());
    }
}

@Override
public void characters(char[] ch, int start, int length)
        throws SAXException {
    if (collecting) {
        buf.append(ch, start, length);
    }
}

public static void main(String[] args) throws Exception {

    SAXParserFactory f = SAXParserFactory.newInstance();
    f.setNamespaceAware(true);
    f.newSAXParser().parse(Main.class.getResourceAsStream("data.xml"),
            new Main());
}
}

dom4j中的元素偏移和覆盖文本

1 个答案: