XML入门的常见问题(三)

处理XML时，经常会遇到外国字符、特殊符号以及空白字符的麻烦。这篇文章将系统梳理这些常见问题，并提供MSXML环境下的实用解决方案。

如何加载包含外国字符和特殊字符的XML文档？

XML文档可以包含外国字符，比如 úóí? 这类拉丁字母变体，或者像 磲 这样的Unicode字符。对于这些字符，需要在它们前面加上转义序列（escape sequence）。外国字符可以用UTF-8编码，也可以用其他编码指定。只要处理得当，XML就能正确加载。

不过，有些字符是XML语法保留的，需要特殊对待。比如下面这段XML：

This & that

会引发错误：此处不允许有空格。行 0000001: This & that 位置 0000012: ----------^。原因在于，& 是XML句法结构的一部分，如果它只是作为数据内容出现，就不能被直接解释为“&”符号。你需要用称为“实体”的特殊字符序列来替换它：

This & that

需要转义的五个内置实体如下：

引号字符通常用作属性值的定界符，因此不能在属性值内部直接使用。例如， 会报错，因为单引号既用作定界符，又出现在内容中。解决办法有两种：将属性定界符换成双引号，或者将单引号转义为 '。两种方式都能通过XML对象模型的 getAttribute 方法返回 John's Stuff。双引号同理，可以用 " 转义。

对于元素内容中的特殊字符，也可以使用CDATA节来处理。例如：

XML对象模型会将CDATA节点显示为xml节点的子节点，nodeValue 返回字符串 This & that is just "text" content.。

如何在Visual Studio 6.0 C++中使用MSXML COM组件？

在Visual C++ 6.0中使用MSXML COM组件，最简便的方式是使用 #import 指令：

#import "msxml.dll" named_guids no_namespace

这会定义所有IXML*接口和接口ID，从而可以在应用程序中直接使用。也可以从INETSDK获取MSXML类型库和头文件，以及包含类IID的uuid.lib。

如何在XML中使用HTML实体？

下面的XML包含HTML实体：

Copyright © 2000, Microsoft Inc, All rights reserved.

加载时会报错：引用未定义的实体 'copy'。 这是因为XML只内置了五个实体（<, >, &, ", '）。要使用HTML实体，需要用DTD来定义它们。将DTD直接包含在DOCTYPE标记中，如下所示：

]>
Copyright © 2000, Microsoft Inc, All rights reserved.

加载时需要关闭 IXMLDOMDocument 接口的 validateOnParse 属性。如果已经完成了DTD验证，那么必须将HTML实体作为参数实体包括在现有的DTD中，例如：

%HTMLENT;

这将定义所有HTML实体，以便在XML文档中使用。

元素内容中的空白字符如何处理？

XML DOM有三种访问元素文本内容的方式：

注意：空白字符包括新行、制表符和空格。

nodeValue 属性通常返回原始文档中的内容，与文档如何加载和当前 xml:space 范围无关。而 text 属性连接指定子树中的所有文本并扩展实体，这与文档加载时 preserveWhiteSpace 开关的状态和当前 xml:space 范围有关。下表展示了不同组合下的行为：

preserveWhiteSpace = true 时加载文档

preserveWhiteSpace = false 时加载文档

这里的“保留”表示与原始XML文档完全相同的原始文本内容；“截断”意味着删除前导和尾部空格；“半保留”意味着保留“重要的空白字符”并规范化“不重要的空白字符”。重要的空白字符是文本内容内部的空白字符，不重要的空白字符是标记之间的空白字符。例如：

     Jane
  Smith   

红色（\n、\t、空格）是不重要的空白字符，绿色（ Jane 和 Smith 内部的空格）是重要的空白字符。不同状态下 text 属性返回的结果如下：

注意“半保留”会将不重要的空白字符规范化，例如新行和制表符会退化为单个空格。

CDATA 和 xml:space="preserve" 子树边界

CDATA节点或“保留”节点的内容会直接连接，因为它们不参与不重要的空白字符规范化。例如：

在“半保留并截断”情况下，返回 "Jane Smith "。注意CDATA内部的空白字符不会被“合并”，也不会被截断。如果用实体引用代替CDATA，结果相同。

实体是特殊的

实体作为DTD的一部分加载，显示在DOCTYPE节点下，它们不一定有任何 xml:space 范围。例如：

Jane ">
]>
&Jane;

假定 preserveWhiteSpace=false，在分析实体时不重要的空白字符会丢失，实体内部不会有空白节点。这意味着即使实体引用位于 xml:space="preserve" 范围内，其子节点也没有空白节点。如果实体必须保留空白字符，要么在实体内部自行指定 xml:space 属性，要么将文档的 preserveWhiteSpace 开关设置为 true。

如何处理属性中的空白字符？

访问属性值有几种方式。IXMLDOMAttribute 接口有 nodeValue 属性，它等价于作为Microsoft扩展的 nodeValue 和 text 属性。不同属性返回的文本如下：

XML规范为应用程序定义了以下行为：

至此，XML中外国字符、特殊字符、实体以及空白字符的处理方式就清晰了。掌握这些机制，就能避免大多数解析错误，让XML文档在各种环境下正确加载。