Question

我需要转换IOB格式的XML文件。

XML文件表示Latex编写的论文的结构，即带有章节和子章节。在这个表示中，部分被编码为BODY，然后我有一个HEADER，然后是段落或子部分。

示例：

<DIV DEPTH="1"> 
<HEADER ID="H-8"> Practical Results </HEADER>
<P TYPE="TXT"> 
<S ID="S-56" TYPE="TXT"> To assess its performance , <REF REFID="R-12" ID="C-36">Grover et al. 1993</REF> tried various methods . </S> 
<S ID="S-57" TYPE="TXT"> The grammar is defined in metagrammatical formalism which is compiled into a unification-based ` object grammar ' -- a syntactic variant of the Definite Clause Grammar formalism <REF REFID="R-21" ID="C-37">Pereira and Warren 1980</REF> -- containing 84 features and 782 phrase structure rules . </S> 
<DIV DEPTH="2"> 
<HEADER ID="H-9"> Comparing the Parsers </HEADER> 
<P TYPE="TXT"> 
<S ID="S-61" TYPE="TXT"> In the first experiment , the ANLT grammar was loaded and a set of sentences was input to each of the three parsers . </S> 
</P>
<IMAGE ID="I-0"/>
</DIV>

我想要做的是保留所有文本，但将其转换为不同的格式，即我想删除BODY结构，只需标记HEADER和文本部分，如下所示：

Practical/B-Header Results/I-Header ./O 
To/B-Text assess/I-Text its/I-Text performance/I-Text ,/I-Text Grover/I-Text et/I-Text al./I-Text tried/I-Text various/I-Text methods/I-Text ./O 
The/B-Text grammar/I-Text ... ./O

等等。

我知道Java中的一些DOM解析（例如，我一直在使用jdom2）但我不知道如何保持文本的顺序：例如，我想获取REF的内容tag（在S中，查看示例），但其父级的文本在REF标记之前和之后扩展。

任何指针？应该相当简单，但像“在一定深度后剥离XML标签”之类的搜索对我没有帮助： - （

Answer 1

我会使用基于事件的xml解析器，如sTax，sax等。然后，您可以在处理每个标记时跟踪级别，顺序和其他内容。

在跟踪订单的同时浏览XML文件

1 个答案: