如何利用Xerces C++正确处理XML文档中的WhiteSpace

如何利用Xerces C++正确处理XML文档中的WhiteSpace
作者：冯键

提交者：eastvc 发布日期：2003-6-29 20:49:38
原文出处：http://www-900.ibm.com/developerWorks/cn/xml/tips/x-xercesc2/index.shtml
Apache的Xerces C++ 和IBM的XML4C是广大C/C++编程人员非常喜欢使用的XML解析器，我比较偏好XML4C，最主要的原因是它能正确处理XML文档中的中文字符，具体可参见我以前在IBM developerWorkers China上发表的文章《如何利用Xerces-C++解析包含中文字符的XML文档》。

Xerces C++提供DOMParser和SAXParser解析XML文档，主要用途可有以下三种：

生成DOM_Document，并调用Xerces C++的API操纵内存中的XML Tree；

与XMLFormat等其它类结合，格式化XML文档，生成包含WhiteSpace的缩进式XML，方便使用者阅读；

去除XML文档中多余的whiteSpace，紧缩XML文档，应用于以XML为数据格式实现消息传送的应用，尽可能降低XML传输占用的网络带宽。

第2和第3种应用的实现比较简单，可参照Xerces C++提供的DOMPrint和SAXPrint的例子，并略做改进即可解决。而对于应用非常普遍的第一种情况，常有人会因为XML文档中的 whitespace而出现程序处理问题，不能正确操纵DOM_Document表示的XML tree，从而影响了Xerces C++或XML4C上的应用开发。

下面以Xerces C++的DOMParser为例，描述当解析含whitespace的XML文档时存在的问题，图1是部分程序代码，图2是要解析的XML文档。

图1中的代码在创建DOMParser之后，调用了DOMParser类的setIncludeIgnorableWhitespace()方法，目的是告诉解析器不要在DOM_Document中包含whitespace，因而，根据图2所示，图1代码运行结果应为：

List size = 1

但是，程序实际运行的结果为：

List size = 3

对DOM_NodeList遍历时发现，DOMParser解析test.xml时将文档中的whitespace认为了DOM_Text节点。 DOMParser没有理会setIncludeIgnorableWhitespace（）方法的调用，这样，DOM_Document中会存在多个代表whitespace的DOM_Text节点，这不仅占用了多余内存，而且，极大影响了程序员对DOM_Document的操作，甚至会使子节点是否等于某值的判断始终为false。因而，Xerces C++的程序员需要在DOM_Document中过滤掉所有的whitespace，如果将test.xml中多余的whitespace去掉（见图3所示）后，重新运行图1的代码，结果与预想的相同。

XMLPlatformUtils::Initialize(); ... ... DOMParser * Parser = new DOMParser; Parser->setIncludeIgnorableWhitespace(false); Parser->parse( "test.xml" ); DOMDocument  doc = Parser->getDocument(); DOM_Element root = doc.getDocumentElement(); DOM_NodeList List = root.getChildNodes(); Int len = list.getLength(); printf("/n list size = %d", len); [/code] 图 1 相关程序代码

<?xml version="1.0" encoding="UTF-8"?> <personnel>   <person id="Big.Boss" >     <name><family>Boss</family> <given>Big</given></name>     <email>chief@foo.com</email>     <link subordinates="one.worker two.worker three.worker four.worker five.worker"/>   </person> </personnel>                                     图 2 test.xmL

<?xml version="1.0" encoding="UTF-8"?> <personnel><person id="Big.Boss" >   <name><family>Boss</family><given>Big</given></name> <email>chief@foo.com</email> <link subordinates="one.worker two.worker three.worker four.worker five.worker"/> </person> </personnel> 图 3 去除whitespace后的test.xml

显然，利用额外的程序编程解决此问题是不明智的。Xerces C++应提供了相应的机制来解决它。我用google搜索了这方面的信息，发现还是有许多人遇到了此类问题，尽管IBM论坛上有人提出了解决思路，但是，还不够完整，我在研究Xerces C++的相关资料和代码解决此问题后认为，如何利用Xerces C++正确处理xml文档中的whitespace问题需要有较详细的解释和解决方法，权当是抛砖引玉吧，希望能为Xerces C++或XML4C的普及应用有所帮助。

根据void DOMParser::setIncludeIgnorableWhitespace (const bool include ) 的文档说明，Parser是否包含whitespace的设置仅在Parser对XML文档进行有效性验证处理时有效。因而，图2中的test.xml只能是格式良好的XML文档，由于它没有相应的schema定义，所以，DOMParser无法对此文档进行有效性验证，缺省认为whitespace是 DOM_Document的子节点，类型是DOM_Text。

那么，为test.xml提供schema之后，图1的运行结果是否正确呢？答案是不正确的，DOMParser还需要调用下列的API来设置其它选项。

方法名	方法说明
Void SetDoSchema（const bool newState ）	设置Parser是否处理xml文档中的schema，如果为true，则Parser还要处理xml中的schema，否则，parser不处理xml文档的schema。
Void setDoValidation ( const bool newState )	此方法同setValidationScheme，不推荐使用。
Void setDoNamespaces ( const bool newState )	设置Parser是否处理xml文档中的名域，如果为true,则Parser增强名域定义的约束和规则。
Void setValidationScheme (const ValSchemes newScheme )	设置Parser利用定义的schema对xml文档进行有效性验证解析。NewScheme的值有Val_Never，Val_Auto，Val_Always，分别表示对xml文档不进行shema有效验证、自动选择是否验证、总是进行有效验证。

因而，通过设置DOMParser的几个选项并提供test.xml的schema就应该能解决whitespace的问题。

4. 解决方法

基于上面的分析，我们首先需要为test.xml提供schema定义，这是解决此问题的第一步，也是必须的，如果不提供schema定义而想完成 xml文档的紧缩处理，则需要程序员额外增加实现代码；或者使用SAXParser，在实现ContentHandler：： ignorableWhitespace（const XMLCh* const chars, const unsigned int length）的纯虚方法中特殊处理，不为whitespace生成DOM_Text节点。但我这里不推荐此种处理方法，XML文档的有效性验证在许多应用系统中是必须的。

Test.xml的schema文件定义见Xerces C++包中的文件：<xerces C++安装路径>/data/personal.xsd，相应地，test.xml中需要标注shema，详细见：<xerces C++安装路径>/data/personal-schema.xml文件，这里在图5中给出shema的声明部分。

在上述步骤完成后，修改图1的程序代码，设置Parser支持XML文档的有效性验证，具体见图6。

<personnel xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
      xsi:noNamespaceSchemaLocation='personal.xsd'>
        ... ...
</personnel>                               
                                  图 5 schema的声明

XMLPlatformUtils::Initialize();
... ...
DOMParser * Parser = new DOMParser;
Parser->setIncludeIgnorableWhitespace(false);
parser->setDoNamespaces(true);
parser->setDoSchema(true);  
parser->setValidationScheme(DOMParser::Val_Auto);
XMLPlatformUtils::Initialize();... ...DOMParser * Parser = new DOMParser;
Parser->setIncludeIgnorableWhitespace(false);
parser->setDoNamespaces(true);parser->setDoSchema(true);  

parser->setValidationScheme(DOMParser::Val_Auto);
parser->parse( "test.xml" );
DOMDocument  doc = Parser->getDocument();
DOM_Element root = doc.getDocumentElement();
DOM_NodeList List = root.getChildNodes();
Int len = list.getLength();printf("/n list size = %d", len);

图 6 最终程序代码[/code]需要说明以下几点：

XML文档和shema定义中都用到了名域，如图5中的xsi，schema定义中的xsd:element等等，所以，parser一定要设置名域的支持（调用setDoNamespaces(true)），否则，parser在解析xml的过程中会抛出异常。

setDoValidation()方法和setValidationScheme()方法在同一程序中不应同时出现。

注意这些方法调用之间的相互关系，例如，如果设置了对xml进行有效验证（调用setValidationScheme），而没有设置Parser对schema的处理支持（没有调用SetDoSchema），这时，DOMParser会在处理过程中抛出异常。

最好选用Val_Auto设置DOMParser的有效性验证，由Parser根据XML中是否标记schema来确定是否需要有效性验证，这种处理会使程序较为灵活。

目前，许多企业已经或者正在采用Xerces C++开发XML的应用系统，相信在应用的过程中会遇到各种问题，欢迎有兴趣的朋友与我联系，共同交流。

Xerces C++ 2.2.0文档和例子程序

IBM developerWorker Xerces C ＋＋技术论坛

冯键，如何利用Xerces-C++解析包含中文字符的XML文档， http://www-900.ibm.com/developerWorks/cn/xml/tips/x-xercesc/index.shtml。

冯键，中科院计算机博士，主要从事计算机支持的协同工作（CSCW）、用户界面、消息中间件的研究，对XML编程有浓厚兴趣。可以通过 fjceline@vip.sina.com 于他联系。