如何使用 SAX 获取 xml 标记的正确开始/结束位置？

Question

SAX 中有一个定位器，它跟踪当前位置。但是，当我在 startElement() 中调用它时，它总是返回 xml 标记的结束位置。

如何获取标签的起始位置？有什么办法可以优雅地解决这个问题吗？

Answer 1

不幸的是，包Locator中 Java 系统库提供的接口org.xml.sax不允许提供有关定义的文档位置的更多详细信息。引用该方法的文档getColumnNumber（我添加的亮点）：

该方法的返回值仅作为诊断时的近似值；它并不旨在提供足够的信息来编辑原始 XML 文档的字符内容。例如，当行包含组合字符序列、宽字符、代理对或双向文本时，该值可能与文本编辑器显示中的列不对应。

根据该规范，您将始终根据 SAX 驱动程序的最大努力获得“与文档事件关联的文本之后的第一个字符”的位置。因此，对问题第一部分的简短回答是：不，Locator不提供有关标签起始位置的信息。另外，如果您正在处理文档中的多字节字符（例如中文或日文文本），则从 SAX 驱动程序获得的位置可能不是您想要的。

如果您需要标签的精确位置，或者想要有关属性、属性内容等的更细粒度的信息，则必须实现自己的位置提供程序。

由于涉及所有潜在的编码问题、Unicode 字符等，我想这个项目太大了，无法在这里发布，实现也将取决于您的具体要求。

来自个人经验的一个快速警告：围绕InputStream您传递到 SAX 解析器的内容编写包装器是危险的，因为您不知道 SAX 解析器何时会根据它已从流中读取的内容报告其事件。

characters(char[], int, int)除了使用这些信息之外，您还可以首先按照自己的方法进行一些计数，ContentHandler检查换行符、制表符等Locator，这应该可以让您更好地了解您在文档中的实际位置。通过记住上一个事件的位置，您可以计算当前事件的开始位置。但请考虑到，您可能看不到所有换行符，因为这些换行符可能出现在您在 中看不到的标签内characters，但您可以从Locator信息中推断出这些换行符。