從xml文檔中提取純文本最簡單的方法是什麼？

Question

我有一些XML格式的電子書。書籍的頁面使用處理指令進行標記（例如<?pg 01?>）。我需要以純文本的方式提取本書的內容，一次一頁，並將每頁保存爲文本文件。這樣做的最好方法是什麼？

Answer 1

我可能會使用腳輪來做到這一點。這是一個java工具，它允許你指定綁定到java對象，然後你可以輸出文本到文件

Answer 2

你需要一個電子書渲染器，用於你的書的格式（我非常懷疑它是XML，如果他們使用反斜槓作爲處理指令）。此外，如果您想要獲取實際文本，則XPath可以創建奇蹟，只需對所有文本使用// text（）即可。

Answer 3

您可以嘗試將其轉換爲YAML並在文字處理器中對其進行編輯 - 然後一個簡單的宏應該修復它。

我剛剛瀏覽這個XML到YAML轉換實用程序 - 它很小，但我沒有測試它或任何東西。

http://svn.pyyaml.org/pyyaml-legacy/trunk/experimental/XmlYaml/convertyaml_map.py

Answer 4

使用XSL樣式表與<xsl:output method="text"/>。
你甚至可以在eclipse中調試現在的樣式表。

Answer 5

最簡單的方法，假設您需要將其集成到Java程序中（如標籤所暗示的），可能會使用SAX解析器，如XMLReader規定。您爲text和processing instructions編寫ContentHandler回調函數。

當您的p-i處理程序被調用時，您將打開一個新的輸出文件。

當您調用文本處理程序時，將字符數據複製到當前打開的輸出文件。

This tutorial有一些有用的示例代碼。

但是如果您不需要將它集成到Java程序中，我可能會使用XSLT 2.0（Saxon is free）。 XSLT 1.0將不允許多個輸出文檔，但XSLT 2.0將會更容易，並且它還將使「里程碑標記」（您的「pg」處理指令）更容易分組。如果您對這種方法感興趣，只需詢問...並提供有關輸入文檔結構的更多信息。

P.S.即使您需要將做到需要將其集成到Java程序中，您可以從Java調用XSLT - 例如，Saxon是用Java編寫的。不過，我認爲如果你只是在處理PI和文本，那麼使用SAX解析器就不那麼費力。

Answer 6

你可以用Apache Tika像這樣做：如果

使用maven

byte[] value = //your xml content as a byte array 
    Parser parser = new XMLParser() 
    org.xml.sax.ContentHandler textHandler = new BodyContentHandler(-1) 
    Metadata metadata = new Metadata() 
    ParseContext context = new ParseContext() 
    parser.parse(new ByteArrayInputStream(value), textHandler, metadata, context) 
    return textHandler.toString() 

，你可能會想這兩者的下面：

  <dependency> 
      <groupId>org.apache.tika</groupId> 
      <artifactId>tika-core</artifactId> 
      <version>1.13</version> 
     </dependency> 
     <dependency> 
      <groupId>org.apache.tika</groupId> 
      <artifactId>tika-parsers</artifactId> 
      <version>1.13</version> 
     </dependency>