XML怎样处理空白字符？-XML/RSS教程-PHP中文网

xml中空白字符的处理取决于其位置和上下文，分为“有意义的空白”和“无意义的空白”。1. 位于元素内容中的空白（如空格、换行、制表符）被视为数据的一部分，会被保留；2. 出现在标签之间的空白（如缩进、对齐用的空格）通常被解析器忽略或规范化；3. 可通过 xml:space="preserve" 显式保留特定元素内的所有空白，而 xml:space="default" 则恢复默认处理方式；4. 不同解析器（如dom、sax、stax）也提供api配置以控制空白处理行为。常见误区包括盲目使用 trim()、过度依赖默认行为、忽略 xml:space 属性等，最佳实践是明确空白语义、合理配置解析器、有选择地清洗数据并标准化输出。

XML怎样处理空白字符？

XML处理空白字符，简单来说，它会根据这些空白字符所处的位置和上下文，决定是将其视为有意义的数据一部分，还是仅仅作为提升文档可读性的格式化符号。核心在于，XML规范试图在保持数据完整性与文档美观之间找到一个微妙的平衡点。

解决方案

XML规范对空白字符的处理，主要围绕“有意义的空白”和“无意义的空白”展开。

有意义的空白（Significant Whitespace）：当空白字符出现在元素的内容中时，它们通常被认为是数据的一部分，解析器会原样保留。例如，在一个 <address> 元素内，地址的换行和空格都是其语义不可或缺的部分。

<message>
    Hello
    World!
</message>

登录后复制

这里的换行和空格，会被视为 <message> 元素内容的一部分。

无意义的空白（Insignificant Whitespace）：当空白字符出现在元素标签之间，或者用于缩进、对齐元素时，它们通常被视为仅仅是为了提高XML文档的可读性。解析器在默认情况下可能会忽略、规范化这些空白，或者不将其作为应用程序数据的一部分传递。例如：

<root>
    <element1/>
    <element2/>
</root>

登录后复制

<root> 和 <element1/> 之间，以及 <element1/> 和 <element2/> 之间的换行和空格，多数情况下会被视为可忽略的。

xml:space 属性的控制： XML提供了一个特殊的属性 xml:space 来显式控制空白字符的处理行为。

xml:space="preserve"：告诉XML处理器，该元素及其所有后代元素内部的空白字符都必须原样保留，即使它们看起来像是用于格式化的。这在处理代码片段、诗歌、或者任何对格式敏感的文本时非常有用。
xml:space="default"：告诉XML处理器，恢复到其默认的空白处理行为。这通常意味着会忽略那些用于格式化的空白。

这个属性的作用域是其所在的元素及其所有子元素，直到遇到另一个 xml:space 属性来覆盖它。

XML中哪些空白字符会被保留，哪些会被忽略？

在我看来，这是一个理解XML解析行为的关键点，因为它直接影响到你从XML文档中提取的数据是否符合预期。

会被保留的空白字符：

元素内容中的所有空白： 无论是一个简单的空格、一个制表符，还是一个换行符，只要它们位于元素的起始标签和结束标签之间，并且被视为字符数据（PCDATA），解析器就应该保留它们。这是因为这些空白是数据的一部分，例如，一个姓名中的空格（"John Doe"），或者一段多行文本中的换行。
```
  <article>
      这是一段
      包含多行文本的
      文章内容。
  </article>
```
登录后复制
这里的换行符和空格都会被保留。
带有 xml:space="preserve" 属性的元素及其后代中的空白： 当你明确地告诉解析器要保留空白时，它就会照做。这通常用于嵌入源代码、配置文件片段或其他需要精确格式的文本。
```
  <codeBlock xml:space="preserve">
      public static void main(String[] args) {
          System.out.println("Hello, World!");
      }
  </codeBlock>
```
登录后复制
codeBlock 内部的所有缩进、换行都会被精确保留。

会被忽略或规范化的空白字符：

知我AI

一款多端AI知识助理，通过一键生成播客/视频/文档/网页文章摘要、思维导图，提高个人知识获取效率；自动存储知识，通过与知识库聊天，提高知识利用效率。

101

查看详情

元素标签之间的空白： 这些空白主要是为了让XML文档在文本编辑器中看起来更整洁、更易读，例如缩进和空行。XML解析器通常会将这些空白视为“不重要”的，并可能在解析过程中将其丢弃或规范化（例如，将多个连续的空白字符替换为一个空格，或直接移除）。
```
  <root>
      <child1/>
      <child2/>
  </root>
```
登录后复制
<root> 和 <child1/> 之间、以及 <child1/> 和 <child2/> 之间的换行和缩进，通常会被忽略。
属性值中的空白： 属性值内部的空白通常会被保留，但有些解析器可能会对它们进行规范化，特别是对于某些数据类型（如ID）。但一般而言，如果你的属性值是 "hello world"，那么中间的空格是会被保留的。这里主要讨论的是属性值之外的空白。

理解这一点至关重要，因为如果你期望从XML中读取一个字符串，而这个字符串的格式依赖于那些“无意义的空白”，那么你可能会遇到意想不到的问题。

如何控制XML解析器对空白字符的处理行为？

控制XML解析器对空白字符的处理行为，主要依赖于两个层面：XML文档自身的标记和解析器API的配置。

1. 利用 xml:space 属性在XML文档内部进行声明： 这是最直接和推荐的方式。如前所述，通过在XML元素上设置 xml:space="preserve" 或 xml:space="default"，你可以告诉任何兼容的XML解析器，该元素及其后代内部的空白应该如何处理。

xml:space="preserve"：当你希望XML解析器完整保留所有空白字符时，无论它们是用于缩进还是作为数据的一部分。这对于存储代码片段、格式化文本（如诗歌、邮件模板）等场景至关重要。
xml:space="default"：这表示该元素及其后代的空白处理行为应恢复到解析器的默认设置，通常意味着那些用于格式化的空白会被忽略。

这个属性具有继承性，一旦在一个父元素上设置了 xml:space，它的所有子元素都会继承这个设置，除非子元素自己又定义了 xml:space 来覆盖它。

2. 通过XML解析器API进行配置： 不同的XML解析器（如DOM解析器、SAX解析器、StAX解析器）提供了各自的API来控制空白字符的处理。

DOM解析器： 许多DOM解析器允许你配置是否忽略元素内容中的空白。例如，在Java的JAXP中，你可以通过 DocumentBuilderFactory.setIgnoringElementContentWhitespace(true/false) 方法来设置。如果设置为 true，解析器在构建DOM树时会尝试移除那些被认为是“不重要”的空白文本节点。这有助于生成一个更紧凑的DOM树，但也可能导致丢失一些你可能认为有用的格式化信息。
SAX解析器： SAX（Simple API for XML）是一个事件驱动的解析器，它通常会报告所有字符数据，包括空白字符。SAX解析器会通过 characters() 回调方法将这些字符传递给应用程序。对于应用程序来说，它需要自行判断这些空白是“有意义的”还是“无意义的”。SAX提供了一个 ignorableWhitespace() 回调方法，解析器会通过这个方法报告那些根据DTD或Schema被标记为“可忽略”的空白。这给了开发者最大的灵活性，但也意味着你需要编写更多代码来处理空白。
StAX解析器： StAX（Streaming API for XML）也提供了流式的事件处理。它允许你通过 XMLInputFactory 进行配置，例如设置 IS_COALESCING 属性来合并连续的字符数据事件，或者通过 IS_REPLACING_ENTITY_REFERENCES 来处理实体引用，这间接影响了空白的处理。StAX的事件模型也允许你区分不同类型的空白事件。

选择哪种控制方式，取决于你的具体需求和所使用的技术栈。对于大多数情况，优先在XML文档中使用 xml:space 属性进行声明，因为这使得文档本身具有自我描述性，并且不依赖于特定的解析器配置。

在实际开发中，处理XML空白字符有哪些常见误区和最佳实践？

在实际开发中，对XML空白字符的处理，确实是个容易踩坑的地方。我见过不少因此引发的奇怪问题，所以总结一些经验教训和最佳实践，希望能帮助大家避开雷区。

常见误区：

盲目 trim()： 最常见的误区之一，就是从XML元素中取出文本内容后，不分青红皂白地就调用字符串的 trim() 方法。如果你的元素内容确实包含了有意义的前导或尾随空白（比如密码、某些特定格式的编码字符串），这种操作会导致数据丢失或语义改变。比如 <data> hello </data>，如果 hello 前后的空格是有意义的，trim() 就错了。
过度依赖解析器默认行为： 认为所有解析器对空白的处理都一致，或者总是能“做对”。实际上，不同解析器、不同配置下，对“不重要空白”的处理可能存在微妙差异。特别是在跨系统或跨语言集成时，这种差异可能导致难以调试的问题。
忽略 xml:space 属性的作用： 很多开发者在处理XML时，并没有意识到 xml:space 这个强大且标准的属性。当遇到需要保留格式的文本时，没有使用它，而是寄希望于解析器或后续代码来“猜”出意图，结果往往不尽人意。
字符串比较问题： 从XML中读取两个看似相同的字符串，进行比较时却发现不相等。原因往往是其中一个字符串包含了额外的换行符、制表符或空格，而这些空白在显示时可能不明显，但在底层字符数据中却真实存在。

最佳实践：

明确空白语义： 在设计XML文档结构或解析逻辑时，首先要明确：哪些空白是数据的一部分（有意义），哪些仅仅是用于格式化（无意义）。这是一个起点，决定了你后续的处理策略。
善用 xml:space="preserve"： 如果你的XML元素内容确实需要保留所有的空白和格式（例如，存储代码片段、用户输入的富文本、多行地址），请毫不犹豫地在相应的元素上添加 xml:space="preserve" 属性。这是一种声明性的、标准化的方式，能让任何兼容的XML解析器正确处理。
配置解析器： 根据你的应用场景，合理配置XML解析器。
- 如果你的应用只关心数据，不关心XML文档的格式化（例如，从XML中提取配置值），那么可以配置DOM解析器忽略元素内容中的空白，以减少DOM树的内存占用和遍历时的干扰。
- 如果你的应用需要精确控制所有字符数据（例如，XML编辑器、XML转换工具），那么SAX或StAX可能更适合，因为它们提供了更细粒度的空白事件报告，但这也意味着你需要自己处理这些事件。
有选择地进行数据清洗： 在获取元素文本内容后，如果确定该内容不应该包含前导/尾随空白或多余的内部空白，可以进行 trim() 或正则表达式替换。但一定要有针对性，而不是对所有文本内容一概而论。例如，对于用户输入的文本，通常需要 trim()，但对于代码片段则绝不能。
标准化输出： 如果你的程序会生成XML文档，考虑是否需要对输出进行格式化（例如，缩进）。对于人可读的XML，格式化是必要的；但对于机器处理且追求效率的XML，通常会移除所有不必要的空白以减小文件大小。许多XML库都提供了格式化输出的选项。
充分测试： 编写测试用例，包含各种空白情况（前导、尾随、内部、多行、仅包含空白的元素等），确保你的解析和处理逻辑在所有情况下都能按预期工作。这能帮你发现很多潜在的空白处理问题。