如何从连续流读取含/不含XML声明的XML原始字符串并拆分？

针对你遇到的兼容问题——无法处理无XML声明的连续XML流拆分，结合每个XML都有固定root节点的特性，我们可以直接构造正则匹配完整的XML块，而非依赖分隔符拆分，这样就能完美覆盖所有场景。

核心思路 #

每个目标XML的结构无非两种：

• 带XML声明：<?xml...?> <root>...</root>
• 无XML声明：<root>...</root>

我们可以用一个正则直接匹配这两种结构，一次性捕获完整的XML字符串，无需拆分后拼接。

匹配正则表达式 #

(?:<\?xml\s+.*?\?>\s*)?<root>.*?</root>

对正则各部分的说明：

• (?:<\?xml\s+.*?\?>\s*)?：可选的XML声明匹配。(?:...)是非捕获组（避免额外捕获无关内容），?表示该组可省略；\s+匹配声明内的空格，.*?非贪婪匹配声明内容，\s*匹配声明后的任意空白（换行、空格等）。
• <root>.*?</root>：匹配固定的root节点，.*?非贪婪匹配内部所有内容，确保遇到第一个</root>就停止，正好对应单个XML的结束。

修改后的代码实现 #

try (Socket socket = server.accept()) {
    try (InputStream in = socket.getInputStream()) {
        Scanner scanner = new Scanner(new InputStreamReader(in, "UTF-8"));
        // 替换<root>为你实际的固定根节点名称
        String xmlCapturePattern = "(?:<\\?xml\\s+.*?\\?>\\s*)?<root>.*?</root>";
        List<String> completeXmlList = new ArrayList<>();
        
        String currentXml;
        // 循环捕获所有完整XML块，直到流结束
        while ((currentXml = scanner.findWithinHorizon(xmlCapturePattern, 0)) != null) {
            // 可选：去除前后空白，根据你的业务需求调整
            currentXml = currentXml.trim();
            completeXmlList.add(currentXml);
            // 调试用，可删除
            System.out.println("捕获到完整XML:\n" + currentXml);
        }
    }
}

为什么这个方案更可靠？ #

• 完全兼容带/不带XML声明的场景，也支持混合输入流。
• 直接捕获完整XML字符串，无需像原方案那样处理分隔符丢失的问题。
• findWithinHorizon(pattern, 0)会持续扫描输入流直到找到匹配或流结束，非常适合处理Socket这类连续输入场景。

测试你的混合场景 #

针对你给出的混合输入：

<?xml version="1.0" standalone="yes"?> <root> </root> <?xml version="1.0" standalone="yes"?> <root> </root> <root> </root>

代码会将其拆分为3个独立的完整XML字符串：

1. <?xml version="1.0" standalone="yes"?> <root> </root>
2. <?xml version="1.0" standalone="yes"?> <root> </root>
3. <root> </root>

注意事项 #

• 如果你的root节点内部可能出现</root>字符串（比如文本或CDATA中），当前正则会提前终止匹配。这种情况下需要调整正则，排除CDATA和文本中的匹配，比如：

  (?:<\?xml\s+.*?\?>\s*)?<root>(?:(?!<\/root>).)*<\/root>
  

  这个版本用(?!<\/root>).确保只匹配到真正的root结束标签。
• 务必将正则中的<root>替换为你实际业务中的固定根节点名称。

内容的提问来源于stack exchange，提问作者CovaDax