我有一个应用程序,我想在其中使用 XML 文件来存储:(1) 文档的原始文本,以及 (2) 使用字符偏移量“指向”原始文本的多个实体。例如。:
<Document>
<OriginalText>This is a test</OriginalText>
<Word start_offset="0" end_offset="4" id="w1"/>
<Word start_offset="6" end_offset="7" id="w2"/>
<Word start_offset="8" end_offset="9" id="w3"/>
<Word start_offset="10" end_offset="14" id="w4"/>
</Document>
但是,我担心一个潜在的问题——我无法控制输入文档的内容,因此它可能包含“\n”或“\r\n”换行符。然而,XML 规范 [1] 指出:
XML 处理器的行为必须像
标准化外部的所有换行符
解析的实体(包括
文档实体)在输入之前
解析,通过翻译
两个字符序列 #xD #xA 以及任何后面不跟有 #xA 的 #xD 到单个 #xA 字符。
即,在应用程序看到 XML 文件之前,换行符会被标准化。不幸的是,在我看来,这可能会消除字符偏移。例如,在偏移量标准化之前位于偏移量 173 的字符在偏移量标准化之后可能位于偏移量 168 处。我的问题:
我是否正确解释了 XML 规范?
我认为仅对换行符进行编码(即将 \r 替换为
)并不能解决问题,因为编码的字符将在 XML 处理器标准化换行符之前被替换。那是对的吗?
有人可以推荐一个好的解决方案吗?我考虑过的一个解决方案是将 \r 字符替换为其他字符(空格或某些“特殊”字符),否则在规范化过程中会被删除;但如果可能的话,我不想修改原始文档文本。另一种可能的解决方案是对原始文档进行编码(例如使用 base64 或 uuencode),但我真的不想这样做,因为这会使 XML 文件更难以阅读和使用。
(使用字符偏移量来指向文档并不是可以更改的设计决策,因为我需要与使用字符偏移量来指向文档文本的其他工具集成。)
[1] http://www.w3.org/TR/REC-xml/#sec-line-ends http://www.w3.org/TR/REC-xml/#sec-line-ends
我对您引用的规范部分的理解是,所有typed(文字)CR
字符被替换并且它们在解析之前被替换。因此任何CR
表示为字符引用
不会被替换为LF
因为应该进行更换解析之前(或者它应该像在解析之前完成一样工作)并且字符引用被转换为字符数据在 XML 解析期间。请注意,还CR
s in CDATA
部分被替换,但话又说回来,字符引用CDATA
部分不会被解析为它们引用的实际字符。
因此,如果将换行符序列化为字符引用,则应该能够按原样保留换行符。但是,请注意:我不认为所有 XML 工具都遵守此约定。另外你可能会失去CR
如果解析后的 XML 被发送到另一个工具,该工具再次解释内容。
另外,按字符位置索引数据对我来说听起来很脆弱。请考虑您是否可以找到另一种方法来标记或分段您的数据。如果您需要坚持使用基于字符位置的索引,我建议以某种方式规范化文本数据。毕竟,换行并不是唯一可能的故障点。其他包括例如重音字符和连字。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)