XML文件换行符处理 Windows与Linux下XML换行差异

xml解析中换行符处理需分层统一：解析时遵循unicode标准化（cr/lf→lf），dom/sax序列化可能转义；elementtree默认压缩空白，应改用lxml或手动拼接text/tail；xsd校验失败需预处理换行或显式声明whitespace=”preserve”。

XML解析时换行变成 或 ，怎么统一处理？

windows用rn（CR+LF），linux/macos用n（LF），XML规范允许两者，但实际解析时，DOM/SAX常把rn转成字符引用 ，而n可能保留为 。这不是解析错误，是标准行为——XML处理器按Unicode规范规范化行结束符后，再序列化为字符引用。

• 解析前不手动替换原始文本里的换行，否则可能破坏CDATA或属性值中的合法rn
• 若需显示/比对一致，应在序列化后或文本内容提取后统一 normalize：用str.replace(/rn/g, 'n').replace(/r/g, 'n')（js）或text.replace('rn', 'n').replace('r', 'n')（Python）
• Java的Document.normalizeDocument()不会改换行；真正起作用的是transformer输出时的setOutputProperty(OutputKeys.INDENT, "yes")配合自定义LineSeparator

用xml.etree.ElementTree读取XML后，文本里n消失或错乱？

Python的ElementTree默认对文本内容做“空白压缩”：开头结尾的空白（含换行）被strip，中间连续空白（含n）被合并为单个空格。这不是bug，是它对“mixed content”的默认处理策略。

• 用parser = XMLParser(strip_cdata=False)不能解决换行问题；真正要关的是remove_blank_text——但ElementTree原生不支持，得换lxml.etree并设parser = etree.XMLParser(remove_blank_text=False)
• 更轻量的做法：提取文本后，用elem.text or '' + elem.tail or ''拼接，再手动保留换行逻辑
• 注意：etree.toString(elem, encoding='unicode', method='xml')输出时换行由pretty_print控制，和源文件换行无关

Java中javax.xml.parsers.DocumentBuilder解析后getTextContent()返回的换行不可靠？

DocumentBuilder遵循W3C DOM Level 3 Core规范：所有文本节点中的换行符在解析时被标准化为n，但后续调用getTextContent()会把所有子文本节点连起来，中间无分隔——如果XML里有元素穿插在段落中，换行就彻底丢失。

• 不要用getTextContent()提取带格式的多行文本；改用遍历childNodes，对每个Node.TEXT_NODE单独取getNodeValue()
• 如果必须用getTextContent()，且源XML已用xml:space="preserve"标记了该元素，则JDK 8+的DocumentBuilder会尊重它（需确保setFeature("<a href="https://www.php.cn/link/6c5184483cf53cdccb474420b29a911c">https://www.php.cn/link/6c5184483cf53cdccb474420b29a911c</a>", false)未关闭）
• Transformer输出时加outputProps.setProperty(OutputKeys.INDENT, "yes")只影响缩进，不影响文本节点内的换行存留

XML Schema（XSD）里xs:string字段校验失败，报错含Invalid white space character？

这是XSD处理器（如Xerces）在strict模式下拒绝r、t、n等非Char类Unicode字符。XML 1.0规范定义的Char确实包含t、n、r，但XSD 1.0的xs:string默认使用whiteSpace="preserve"，而某些老版本处理器（尤其.NET Framework 2.0–4.0）实现有偏差。

• 检查实际报错字符：用hexdump -C file.xml | grep -A1 -B1 '0d|0a'确认是否混入了r（0x0d）而XSD要求纯LF
• 在XSD中显式声明<whitespace value="preserve"></whitespace>，避免依赖默认值
• 更稳妥的方式：预处理XML，用sed ':a;N;$!ba;s/rn/n/g' file.xml > clean.xml（Linux）或powershell -Command "(Get-Content file.xml) -replace "rn", "n" | Set-Content clean.xml"（windows）

换行符本身不是数据问题，是不同环节对“文本边界”的解释权分散导致的——解析器、序列化器、XSD引擎、甚至终端显示都可能各自normalize一次。真要稳，就得在IO边界做一次确定性清洗，而不是依赖某一层的“应该保持原样”。