1

我正在解析（使用 Groovy）从 LibreOffice .odt (Writer) 文件中获得的 content.xml。

我想确保将文件中的所有文本都隐藏起来，并按换行符分割。

在 Java org.w3c.dom.Node（或 Groovy groovy.util.Node）中，有一种方法可以获取任何节点（dom.Node.getTextContent/ util.Node.text）下的所有文本。对于最高节点，这将打印文件中的所有文本，但它会忽略换行符。

这让我假设我必须（深度优先）穿过结构，识别单独的线条。

通过这样的结构解析，我发现节点名称的“本地部分”往往有文本是“p”（段落）和“h”（标题）。

我还假设“p”或“h”不能嵌套另一个“p”或“h”（尽管有一些复杂的嵌入式结构，我相信它们可以......）。但清楚地检查spans给定“p”下的任何内容将生成您已经从其祖先“p”节点获得的文本。

但是“p”和“h”是我需要查看的唯一 QName 吗？我应该如何处理嵌入结构的可能性（例如包含一些文本的图形）。

是否有一些技术可以让我获得所有文本的全面列表，逐个节点，确保没有文本被遗漏并且没有重复？

如果做不到这一点，OpenDocument 格式的某些方面是否可以让我解决这个问题？有趣的是，Wikip上“content.xml”下的简要概述中的示例只使用了这两个 QName，“p”和“h”。

4

1 回答 1

1

蒂姆耶茨的评论似乎是最好的方法。

除非有人反对，否则我不会删除这个问题，因为似乎没有其他人喜欢它。

从第一次实验看来，org.odftoolkit.simple.TextDocument.getParagraphIterator()它将遍历所有段落，包括“h”QNames（=标题），还包括空段落。一个好兆头。

请记住，这些“段落”实际上可能是多行段落：在 Writer 文件中，“段落标记”和“换行符”之间存在差异。但是，解决方案非常简单：只需在换行符上拆分 Paragraph getTextContent()/ （textContentGroovy 人的属性） ......String

于 2018-02-09T20:56:11.050 回答