在数据处理和系统对接中，XML常作为配置或接口报文载体。要从一份XML里拿到某个具体节点的文本内容，不能简单用字符串查找，因为标签可能嵌套、有命名空间或属性。掌握标准的节点提取方式，才能保证程序稳定运行。
一、为什么不能用正则或字符串截取
很多初学者拿到XML第一反应是写正则匹配<name>xxx</name>。这种方式在简单样例里可行，但真实报文常带有换行、属性或命名空间，例如<ns:name id="1">张三</ns:name>。正则很难覆盖所有变体，且一旦结构微调就会提取失败。
另外，XML允许在节点内插入注释、处理指令，字符串截取容易把无关内容一并取走。使用标准解析器将文档转为节点树，再按节点关系获取文本，才是可维护的做法。解析器会自动处理转义字符与编码，避免乱码。
二、使用DOM解析提取节点文本（Java示例）
DOM将整个XML读入内存形成树结构，适合中小文件。通过DocumentBuilder可获取Document对象，再用getElementsByTagName定位元素，调用getTextContent得到其下所有文本。
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import org.w3c.dom.Document;
import org.w3c.dom.NodeList;
import org.w3c.dom.Element;
import java.io.ByteArrayInputStream;
public class XmlDemo {
public static void main(String[] args) throws Exception {
String xml = "<root><user><name>李四</name><age>20</age></user></root>";
DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
// 注意将字符串转为字节流，避免默认平台编码问题
Document doc = builder.parse(new ByteArrayInputStream(xml.getBytes("UTF-8")));
NodeList nodes = doc.getElementsByTagName("name");
if (nodes.getLength() > 0) {
Element nameEl = (Element) nodes.item(0);
// getTextContent会拼接所有子文本节点
String text = nameEl.getTextContent();
System.out.println("提取到的名字：" + text);
}
}
}
上面代码演示了最基础的提取。getTextContent的优势是忽略子元素标签，直接返回纯文本。但如果name节点内还嵌了<span>，也会一并拼接，此时可改用遍历子节点只取TEXT_NODE类型。
DOM解析的缺点是占用内存，一份几十MB的XML可能撑爆堆空间。因此在手机端或嵌入式环境要谨慎使用，或改用下方SAX方案。
三、Python使用ElementTree提取文本
Python标准库xml.etree.ElementTree提供了轻量API。通过find或findall配合标签名，再用.text属性即可获取节点文本，语法比Java更简洁。
import xml.etree.ElementTree as ET
xml_data = """<root>
<user>
<name>王五</name>
<age>25</age>
</user>
</root>"""
root = ET.fromstring(xml_data)
# 使用相对路径查找第一个name
name_node = root.find(".//name")
if name_node is not None:
print("提取到的名字：", name_node.text)
# 遍历所有age
for age in root.findall(".//age"):
print("年龄：", age.text)
这里.text只返回当前标签直接包含的文本，不会像DOM的getTextContent那样合并孙节点。若标签内有混合内容，例如<p>见<b>详情</b></p>，.text只拿到“见”，剩余需遍历子元素。
Python还支持XPath风格的查找，能按属性过滤，例如root.find(".//name[@id='1']")，在复杂结构中非常高效。
四、XPath精准定位节点
当XML层级很深或有多个同名节点时，XPath比循环遍历更直观。Java可通过XPathFactory编译表达式，Python的lxml库也完整支持。
import javax.xml.xpath.*;
import org.w3c.dom.Document;
import javax.xml.parsers.*;
public class XPathDemo {
public static void main(String[] args) throws Exception {
String xml = "<root><item><title>测试</title></item></root>";
DocumentBuilder db = DocumentBuilderFactory.newInstance().newDocumentBuilder();
Document doc = db.parse(new java.io.ByteArrayInputStream(xml.getBytes("UTF-8")));
XPath xpath = XPathFactory.newInstance().newXPath();
String result = xpath.evaluate("/root/item/title", doc);
System.out.println("XPath提取：" + result);
}
}
XPath表达式以斜杠描述路径，能跨层用//，也能用谓语[@attr='val']筛选。对频繁提取不同节点的程序，先把表达式抽成常量可减少拼写错误。
要注意某些解析器默认不开启命名空间感知，遇到带前缀的节点需注册NamespaceContext，否则XPath会返回空。
五、SAX流式解析适合大文件
SAX不构建树，而是边读边触发事件。在characters回调里判断当前标签，即可提取文本，内存占用极低。
import org.xml.sax.*;
import org.xml.sax.helpers.*;
import java.io.*;
public class SaxDemo extends DefaultHandler {
private boolean inName = false;
private StringBuilder buf = new StringBuilder();
public void startElement(String uri, String local, String qName, Attributes attrs) {
if ("name".equals(qName)) inName = true;
}
public void characters(char[] ch, int start, int len) {
if (inName) buf.append(ch, start, len);
}
public void endElement(String uri, String local, String qName) {
if ("name".equals(qName)) {
System.out.println("SAX提取：" + buf.toString().trim());
buf.setLength(0);
inName = false;
}
}
public static void main(String[] args) throws Exception {
String xml = "<root><name>赵六</name></root>";
XMLReader reader = XMLReaderFactory.createXMLReader();
reader.setContentHandler(new SaxDemo());
reader.parse(new InputSource(new StringReader(xml)));
}
}
SAX代码量偏大，但处理上GB的XML也不会内存溢出。缺点是只能单向读取，若后面节点影响前面提取逻辑，需要自己缓存状态。
实际项目中，小配置文件用DOM或ElementTree最省心；日志类大文件用SAX或StAX。选择依据主要是文件体积与提取复杂度。
六、提取时的常见坑
空白文本节点常被忽略。格式化XML含缩进换行，DOM会把它们当作空文本节点。若手动遍历子节点取node.getNodeType() == TEXT_NODE，需过滤掉trim后为空串的内容。
另一个坑是实体引用，例如&在解析后变回&，直接字符串比对原报文会不一致。信任解析器输出即可，不要二次转义。此外编码声明错误会让中文变问号，读取时明确指定UTF-8可规避。
| 解析方式 | 内存占用 | 适用场景 |
|---|---|---|
| DOM | 高 | 小文件、随机访问 |
| SAX | 低 | 大文件、顺序读取 |
| XPath+DOM | 高 | 复杂结构精准提取 |
综合来看，提取XML指定节点文本核心在于选对解析模型，并利用标准API而非文本猜测。掌握上述方法后，无论接口报文还是本地配置，都能稳定拿到所需内容。