悠悠楠杉
网站页面
XML中的空格完全解读：从基础到实战的深度剖析
06/19
当我们第一次接触XML文档时，往往会把空格当作无关紧要的存在。直到某天发现格式化后的XPath查询突然失效，或是BeautifulSoup解析结果多出莫名的换行符时，才意识到这些"透明"的空白字符竟是如此狡猾。
一、XML空格的三种物理形态
- 普通空格（U+0020）：最常见的空格形式
- 制表符（U+0009）：开发者最头疼的"隐形杀手"
- 换行符（U+000A/U+000D）：在CDATA区块中会制造惊喜
xml
<!-- 实际包含三种空格类型 -->
<code> Hello World
</code>
二、xml:space属性的双面性
这个看似简单的属性实际暗藏玄机：
xml
<poem xml:space="preserve">
床前明月光 <!-- 保留所有空格 -->
</poem>
实践中的坑点：
- 继承性：子元素默认继承父元素的xml:space设置
- 浏览器差异：Firefox会忽略未声明xml:space的空白节点
三、解析器的"选择性失明"
测试不同解析器对同一段XML的处理差异：
python
from xml.dom import minidom
doc = minidom.parseString("<a> </a>")
print(doc.firstChild.childNodes) # 输出Text节点而非空列表
Java的DOM解析器更会玩花样——通过设置DocumentBuilderFactory.setIgnoringElementContentWhitespace(true)，可以让空格节点凭空消失。
四、XPath查询的空白迷局
当你在XPath中查询text()时：
xpath
//book/title/text() # 可能捕获到纯空格节点
解决方案是过滤：
xpath
//book/title/text()[normalize-space()]
五、实战中的空格清洁方案
- 预处理阶段：使用正则表达式
\s{2,}压缩连续空格 - 解析阶段：配置解析器忽略无关空白（如lxml的removeblanktext）
- 序列化阶段：设置pretty_print=False关闭格式化空格
java
// Java的JAXB解决方案
marshaller.setProperty(Marshaller.JAXB_FORMATTED_OUTPUT, false);
六、特殊场景的终极对决
处理混合内容时的经典难题：
xml
<para>This is <em>important</em>!</para>
DOM解析后会得到三个节点：
1. "This is "（包含尾随空格）
2. 元素
3. "!"文本节点
此时XPath的string()函数反而比text()更可靠。
