如何让 Saxon/XSL 不理会 HTML 编码的实体？答案

【问题标题】：How to get Saxon/XSL to leave HTML-encoded entities alone?如何让 Saxon/XSL 不理会 HTML 编码的实体？
【发布时间】：2018-02-12 21:28:59
【问题描述】：

我有一个源 XML 文件，其中包含带有回车符和其他编码到文件中的特殊字符的文本块；例如：

<?xml version='1.0' encoding='utf-8' ?>
<library>
  <book>
    <phrase>&quot;This isn&apos;t&#10;a&#10;big deal.&quot;</phrase>
  </book>
</library>

仅通过 Saxon 对该文件运行一个简单的身份转换会导致 XML 中有效的字符恢复为“真实”形式：

<?xml version='1.0' encoding='utf-8' ?>
<library>
  <book>
    <phrase>&quot;This isn't
a
big deal.&quot;</phrase>
  </book>
</library>

这是有效的 XML，但下游工具期望 &#10; 出现在发送给它们的文本中。有没有办法标记/配置 Saxon（或 XSL 转换本身）以单独留下安全/有效的转义序列？

【问题讨论】：

【解决方案1】：

Saxon 使用 XML 解析器将您的输入 XML 解析为节点树，其中字符数据是包含 Unicode 字符的文本节点的一部分，因此它不知道也无法区分输入是 &apos; 还是 @ 987654323@ 或数字字符引用，XML 解析器只是将其解析为字符。

LexEv by Andrew Welch 可能有助于预处理 XML，以便将实体或字符引用转换为标记，然后您可以将其转换回所需的词法格式。

【讨论】：

更好：修复下游工具。如果一个 XML 应用程序期望一个换行符被表示为&#10;，那么它就被严重破坏了。如果您的电源插座不能使用标准插头，则将插头弯曲以适合插座不是正确的方法。