W3C Document.parse()解析格式化XML生成多余元素问题求助

为什么setIgnoringElementContentWhitespace(true)没生效？ #

setIgnoringElementContentWhitespace(true)的作用是忽略元素内容中的可空白节点，但它的生效有严格前提：

• XML文档必须包含DTD或XML Schema定义；
• 目标元素（这里是<foo>）被定义为仅包含元素内容（element-only content）——也就是该元素的内容模型明确规定只能有子元素，不能包含任何文本（包括空白字符）。

如果没有DTD/Schema，解析器无法区分“有意义的文本”和“格式化用的空白”，所以即使调用了这个方法，换行、缩进这类空白依然会被解析成文本节点，导致getChildNodes()返回的长度包含这些空白节点。

解决办法 #

方法1：给XML添加DTD定义 #

在XML开头添加DTD，明确<foo>只能包含<bar>元素：

<!DOCTYPE main [
    <!ELEMENT main (foo)>
    <!ELEMENT foo (bar+)>
    <!ELEMENT bar (#PCDATA)>
]>
<main>
    <foo>
        <bar>1</bar>
        <bar>2</bar>
        <bar>3</bar>
    </foo>
</main>

添加后，解析器会根据DTD判断<foo>里的空白是可忽略的，此时getChildNodes()只会返回3个<bar>节点。

方法2：手动过滤空白节点 #

不需要修改XML，在代码中遍历节点时，只统计元素节点：

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
InputStream is = new FileInputStream(FILE_FORMATTED);
DocumentBuilder db = dbf.newDocumentBuilder();
Document doc = db.parse(is);

NodeList nodes = doc.getElementsByTagName("foo").item(0).getChildNodes();
int barCount = 0;
for (int i = 0; i < nodes.getLength(); i++) {
    Node node = nodes.item(i);
    // 只统计元素类型的节点
    if (node.getNodeType() == Node.ELEMENT_NODE) {
        barCount++;
    }
}
System.out.println(barCount); // 输出3

方法3：直接统计目标元素（最简便） #

跳过遍历子节点的步骤，直接获取<foo>下的所有<bar>元素：

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
InputStream is = new FileInputStream(FILE_FORMATTED);
DocumentBuilder db = dbf.newDocumentBuilder();
Document doc = db.parse(is);

Element fooElement = (Element) doc.getElementsByTagName("foo").item(0);
NodeList barNodes = fooElement.getElementsByTagName("bar");
System.out.println(barNodes.getLength()); // 输出3

这种方法无需处理空白节点，直接定位目标元素，结果更可靠。

内容的提问来源于stack exchange，提问作者waxmar