通过从 Java 8 到 Java 11 的 CDATA 的 XML 转换处理换行符的变化

Question

在 Java 9 中，javax.xml.transform.Transformer 和 OutputKeys.INDENT 处理 CDATA 标记的方式发生了变化。简而言之，在 Java 8 中，包含一些字符数据的名为“test”的标签会导致：

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

但在 Java 9 中，结果相同

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

这不是同一个 XML。

我了解到（来自不再可用的来源）对于 Java 9，有一个使用 DocumentBuilderFactory 和 setIgnoringElementContentWhitespace=true 的解决方法，但这不再适用于 Java 11。

有没有人知道在 Java 11 中处理这个问题的方法？我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），或者在解析 XML 时能够忽略它们（最好使用 SAX）。

不幸的是，我不知道 CDATA 标记在我的应用程序中实际包含什么。它可能以空格或换行符开头或结尾，因此我不能在读取 XML 或实际在结果对象中设置值时去掉它们。

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，我已向 Oracle 提交了一份错误报告，这已在 Java 14 中得到修复：https://bugs.java.com/bugdatabase/view_bug.do?bug_id=JDK-8223291

Answer 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：

• 你想要像这样的缩进：

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

• 但不适用于包含 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 让. 匹配任何字符，也换行符。
• .*? 最短匹配序列，不匹配"...]]>...]]>"。

或者：在 DOM 树中（保留 CDATA），您可以检索每个 XPath 的所有 CDATA 部分，并使用父元素删除空白兄弟。