如何让XML解析器将指定元素内所有内容直接解析为文本？

问题场景 #

给定如下XML：

<foo>
    text
    <bar>
        <![CDATA[ ... ]]>
        <hello><world></world>
        </hello> 
    </bar>
    text
</foo>

需要将<foo>元素内的所有内容直接解析为纯文本（效果等同于被<![CDATA[]]>包裹），但嵌套CDATA会降低人工读写便捷性，当前用SAX/Stream Parser需通过回调拼接元素、属性与文本，希望找到更高效的实现方式，同时询问能否通过XML Schema告知解析器将指定元素内容视为纯文本。

解答 #

1. XML Schema无法实现该需求 #

XML Schema的核心作用是结构验证，比如用xs:string类型约束元素内容为字符串，但这仅限制内容的类型，不会改变解析器的行为——解析器仍会按照XML规则解析内部的标签、实体、CDATA等，不会将整个元素内容当作未经解析的纯文本。Schema无法控制解析器的内容处理逻辑。

2. 更高效的实现方式 #

基于SAX/StAX的事件捕获优化

这是最适合流式解析的方案，关键是利用解析器的事件机制直接捕获原始字符：

• SAX解析：当触发<foo>的startElement事件时，切换到"纯文本捕获模式"。后续所有事件（包括元素的开始/结束标签、文本、CDATA）都直接读取原始字符（包括尖括号、CDATA标记）拼接，直到触发</foo>的endElement事件时退出该模式。可以借助LexicalHandler处理CDATA的边界，确保原始的<![CDATA[和]]>标记被完整保留。
• StAX解析：使用XMLStreamReader进入<foo>元素后，循环调用next()遍历所有事件，针对不同事件类型（CHARACTERS、CDATA、START_ELEMENT/END_ELEMENT）直接读取对应的原始文本（比如元素标签的尖括号内容），拼接成完整的纯文本，直到遇到END_ELEMENT事件（</foo>）。

DOM序列化方案（适合小XML）

如果XML文档体积不大，可以先将整个文档解析为DOM树，然后对<foo>元素的所有子节点进行原始XML序列化：

• 以Java为例，使用Transformer类将<foo>的子节点序列化为字符串，得到的就是该元素内的原始XML内容，等同于纯文本效果。这种方式无需手动拼接事件，代码实现更简洁。

自定义解析器扩展（不推荐）

部分解析器支持自定义扩展，但需要修改解析器的核心逻辑，复杂度高，维护成本大，不如前两种方案实用。

内容的提问来源于stack exchange，提问作者eastwater