xml中的空格之完全解说

在XML和XSLT的世界里，空格的处理可不像在HTML中那么简单。HTML对空格基本上是无视的，但XML的默认立场却是：所有空格都必须被保留。这背后的逻辑，其实关乎数据结构的严谨性。

根据XML规范，所谓的“空格”是四种字符的任意组合：空格符（#x20）、回车符（#xD）、换行符（#xA）和制表符（#x9）。这些字符在XML文件中会形成所谓的“空格结点”，它们属于文本结点的一种。

对于XML和XSLT来说，空格涉及两个核心议题：

• 在XML输入文件中，哪些空格是重要的，需要被XSLT处理器看见？关键就在于xml:space属性。
• 在XSLT模板文件中，哪些空格是重要的，需要被复制到结果树中？这就要看xsl:strip-space和xsl:preserve-space这两个指令了。

重要和不重要的空格结点

一个空格结点是否重要，取决于它所在的上下文。如果某个元素的内容只能包含子元素（即纯元素内容），那么该元素内的空格结点就是“不重要的”。反之，如果元素的内容是混合类型（#PCDATA），那么其中的空格结点就被视为“重要的”。至于那些既包含文本又包含子元素的混合内容，情况就比较复杂了，需要根据具体语义来判断。

XML处理器的规范化处理

XSLT处理器在接触XML输入文件之前，会先由XML解析器进行预处理。这个过程有几个关键点：

• xml:space属性可以改变后续应用程序（如XSLT处理器）处理空格结点的模式。
• XML文件中任何一行的结尾符号都会被统一替换成单一的新行字符（#xA）。这是因为不同操作系统（如Windows和Unix）对行尾符的定义不同，规范化可以消除这种差异。
• 属性值在被交给XML应用程序之前，也需要进行规范化操作。具体步骤包括：每一行结尾符号统一成#xA；所有空格符（#x20、#xD、#xA、#x9）都替换成#x20；属性值中的字符引用（如 ）会被替换成对应的字符；实体引用则用其替换文本替代。最后，如果属性类型不是CDATA，解析器还会进一步删除属性值前后的空格，并将中间的空格序列替换成单一空格。

XSLT处理器的空格保留策略

当XSLT处理器将XML输入文件和XSLT模板文件都构建成结构树后，会先合并相邻的文本结点，然后抽掉一些多余的文本结点。不过，以下三种情况的文本结点会被保留：

• 该文本结点的父元素属于“空格保留元素名称集”。
• 该文本结点中至少包含一个非空格字符。
• 该文本结点的某个祖先元素设置了xml:space="preserve"，且没有更近的祖先元素设置xml:space="default"。

对于XSLT模板文件来说，所谓的“空格保留元素名称集”只有一个元素：xsl:text。模板文件中其他位置的空格结点都会被删除，但出现在xsl:text元素内的空格则会原封不动地保留下来。