在XML中保留原始换行符类型\\\\ r与\\\\ r \\\\ n

问题描述

|| 我有一个要使用XML文件存储的应用程序：（1）文档的原始文本，以及（2）使用字符偏移量“指向”原始文本的几个实体。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。但是，XML规范[1]指出：   XML处理器的行为必须像   归一化外部的所有换行   解析的实体（包括   文档实体）输入之前，   通过翻译两个   两字符序列#xD #xA以及#xA之后没有跟#xA到单个#xA字符的任何#xD。 即，换行符在应用程序查看XML文件之前已被规范化。不幸的是，在我看来，这样可能会偏离字符偏移量。例如，在偏移量归一化之前位于偏移量173处的字符可能在偏移量归一化之后位于偏移量168处。我的问题： 我是否正确解释了XML规范？ 我假设仅对换行进行编码（即用＆＃xD;替换\\ r）不会解决问题，因为在XML处理器规范换行符之前将替换编码的字符。那是对的吗？ 谁能推荐一个好的解决方案？我考虑过的一种解决方案是用标准化的其他字符（空格或某些“特殊”字符）替换在标准化过程中会被删除的\ r字符；但是如果可能的话，我不希望修改原始文档文本。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），但是我宁愿不这样做，因为这会使XML文件更难以阅读和使用。 （使用字符偏移量指向文档不是可以更改的设计决定，因为我需要与其他使用字符偏移量指向文档文本的工具集成。） [1] http://www.w3.org/TR/REC-xml/#sec-line-ends     

解决方法

我理解您引用的规范部分的方式是，所有键入的（文字）“ 1”字符都将被替换，并且在解析之前会被替换。因此，任何表示为字符引用“ 3”的“ 1”都不会被替换为“ 4”，因为替换应在解析之前完成（或者应像解析之前一样工作），并且在XML解析期间将字符引用转换为字符数据。 。请注意，also6ѭ节中的

CR

也将被替换，但是同样，

CDATA

节中的字符引用也不会解析为它们所引用的实际字符。 因此，如果将换行序列化为字符引用，则应该能够保留换行符。但是，请注意：我不会指望所有XML工具都遵守这一约定。另外，如果将解析的XML发送到另一个再次解释内容的工具，则可能会丢失“ 1”。 同样，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标记或细分数据的方法。如果您需要坚持使用基于字符位置的索引，我建议以某种方式标准化文本数据。毕竟，换行不是唯一可能的故障点。其他包括例如重音字符和连字。     ,如果不能保证是否保留换行符，那么我的直觉是将它们全部转换为

<br />

。