在处理XML格式的数据时，我们经常会遇到需要从某个父元素中提取其子节点文本内容的需求。这类操作看似简单，但实际编码中常常因为空白节点、嵌套标签或是命名空间的问题，导致提取出来的文本带有换行、空格，甚至直接返回空值。理解XML的树形结构以及不同解析方式对文本节点的处理差异，是写出稳定提取逻辑的前提。
一、DOM解析方式提取子节点文本
DOM（Document Object Model）将整个XML文档加载到内存中，形成一棵节点树。在这种模型下，元素中的文字内容会被表示为文本节点，而标签之间的缩进和换行在XML中通常也会被解析为独立的空白文本节点。如果直接遍历子节点并取nodeValue，很容易把空白字符一并取出来。
更可靠的做法是使用Element.getTextContent()方法，它会递归地将该元素下所有文本后代拼接起来，忽略标签结构，只保留文字。下面以Java语言为例，展示如何加载XML并提取指定子节点的文本。
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import org.w3c.dom.Document;
import org.w3c.dom.Element;
import org.w3c.dom.NodeList;
import java.io.File;
public class XmlTextExtractor {
public static void main(String[] args) throws Exception {
// 创建DOM解析工厂并加载XML文件
DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document doc = builder.parse(new File("sample.xml"));
// 假设我们要提取所有book元素下title子节点的文本
NodeList bookList = doc.getElementsByTagName("book");
for (int i = 0; i < bookList.getLength(); i++) {
Element book = (Element) bookList.item(i);
Element title = (Element) book.getElementsByTagName("title").item(0);
// 使用getTextContent直接获取子节点全部文本
String text = title.getTextContent();
System.out.println("书名:" + text);
}
}
}
上面的代码中，即使title标签内部还嵌套了其他强调标签（例如<em>），getTextContent也能把其中的文字合并返回。相比之下，如果采用遍历childNodes并判断nodeType的方式，不仅要写更多代码，还容易遗漏深层嵌套的文字。
不过DOM方式会将整个文档读入内存，对于超大XML文件可能带来性能压力。在配置类小文件或报文交互场景中，这种方式代码直观、容错性好，是首选方案。
二、使用XPath精准提取文本
当XML结构较深或只需要某一条路径下的文本时，XPath表达式比层层调用getElementsByTagName更简洁。XPath中的text()函数可以定位到具体的文本节点，而相对路径写法能跳过中间不确定层级。
在Java中配合javax.xml.xpath包，可以用一行表达式拿到内容。注意如果目标元素包含多个文本片段（比如夹杂子标签），text()可能只返回第一个文本节点，此时用getStringValue或再次借助getTextContent更稳妥。
import javax.xml.xpath.XPath;
import javax.xml.xpath.XPathFactory;
import org.w3c.dom.Document;
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import java.io.File;
public class XPathDemo {
public static void main(String[] args) throws Exception {
DocumentBuilder db = DocumentBuilderFactory.newInstance().newDocumentBuilder();
Document doc = db.parse(new File("sample.xml"));
XPath xpath = XPathFactory.newInstance().newXPath();
// 提取第一个book下title的文字
String result = xpath.evaluate("/library/book[1]/title/text()", doc);
System.out.println("提取结果:" + result);
}
}
XPath的优势在于表达式可读性强，且能轻松处理带命名空间的文档，只要在工厂中设置命名空间感知即可。对于复杂报文，推荐用XPath定位元素，再用getTextContent取出干净文本，兼顾准确与简便。
在Python中，xml.etree.ElementTree也支持类似思路，通过find或xpath（需lxml库）获取元素后调用.text或itertext。下面给出一段Python示例，展示如何避免空白节点干扰。
import xml.etree.ElementTree as ET
tree = ET.parse("sample.xml")
root = tree.getroot()
# 找到第一个book下的title，使用itertext合并所有文字
for book in root.findall("book"):
title = book.find("title")
# itertext会遍历所有文字后代，忽略标签
text = "".join(title.itertext())
print("书名:", text.strip())
Python的itertext方法等同于Java里的getTextContent，能自动跳过元素间的空白。如果只用.title，当title内部有子标签时可能得到None，这也是新手常踩的坑。
三、常见误区与操作技巧
不少人在提取文本时习惯用正则直接截取标签之间的内容，这种做法在XML带有换行、注释或属性时极易出错。比如<title>计算机<!--注释-->网络</title>用正则会漏掉注释后的文字。树形解析才是符合规范的做法。
另一个技巧是，在读取前调用DocumentBuilderFactory的setIgnoringElementContentWhitespace(true)可以令解析器忽略纯空白节点，减少遍历时的干扰。但该特性要求文档有DTD或Schema声明才生效，实际使用中仍建议以getTextContent为主。
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| DOM+getTextContent | 小文件、配置读取 | 代码简单、容错高 | 占内存 |
| XPath | 深层结构、精准定位 | 表达式清晰 | 需处理命名空间 |
| 正则截取 | 极简单结构 | 无需解析库 | 易出错、难维护 |
综合来看，提取XML子节点文本的核心原则是：优先使用标准解析库提供的文本收敛接口，避免手动拼接或正则。面对大文件可考虑SAX或StAX流式解析，在startElement和endElement回调中累积字符，同样能拿到准确文本且内存占用低。
掌握上述方法与误区后，无论是接口报文解析还是本地配置加载，你都能写出健壮的提取逻辑，不再被空白节点和嵌套标签困扰。