Question

我有一组标签，我试图从XML文本中提取并确定它们在“渲染”文本中的位置。

例如：

XML：

<p>The risk of sexual transmission of HIV-1 correlates strongly with plasma HIV-1 level.
  <xref ref-type="bibr" rid="pone.0012598-Fideli1">[1]</xref>, 
  <xref ref-type="bibr" rid="pone.0012598-Quinn1">[2]</xref>This association has motivated proposed interventions (such as use of antiretroviral therapy (ART),
  <xref ref-type="bibr" rid="pone.0012598-Cohen1">[3]</xref>, 
  <xref ref-type="bibr" rid="pone.0012598-Granich1">[4]</xref> therapeutic HIV-1 vaccines,<xref ref-type="bibr" rid="pone.0012598-Gurunathan1">[5]</xref> and treatment for co-infections<xref ref-type="bibr" rid="pone.0012598-Corey1">[6]</xref>–<xref ref-type="bibr" rid="pone.0012598-Walson1">[8]</xref> that reduce HIV-1 infectiousness by reducing levels of plasma HIV-1 RNA.

渲染：

HIV-1性传播的风险与血浆HIV-1水平密切相关[1]，[2]这种关联推动了拟议的干预措施（如使用抗逆转录病毒疗法（ART）），[3]，[4]治疗性HIV-1疫苗，[5]和共感染治疗[6] - [8]通过降低血浆HIV-1 RNA水平降低HIV-1感染性。

为了在渲染文本中提取标签及其位置。目前我正在使用bs4，类似于此代码的内容（sent_tokenize来自NLTK工具箱，并根据输入文本创建list个句子：

for n, p in enumerate(article.find_all('p')):
    rawtext = str(p) #returns the XML version of the text
    readtext = p.text #returns the rendered version
    sents = sent_tokenize(readtext) #splits sentences

    for ref in p.find_all('xref'):
        startloc = rawtext.find(str(ref))
        prestart = max(0, startloc-20)
        for s in sents:
            if s.find(rawtext[prestart:startloc]) > -1:
                print s, ref
                break

此代码无法在第二个外部参照上找到，因为它之前的文本是前一个外部参照标记的一部分。

有什么建议吗？

Answer 1

嗯，没有人回应所以我不得不即兴发挥。这是我目前的方法：

lens = [len(tag.string) for tag in p.contents]
clens = [sum(lens[:ind]) for ind in xrange(1,len(lens))]
locs = [spot for tag, spot in zip(p.contents, clens) if isinstance(tag, Tag) and tag.name == 'xref']

基本思想是使用返回渲染文本的string方法。我用它来确定段落中每个孩子的长度。然后我使用这些长度来确定我正在寻找的标签的位置。

希望能帮到别人！

- 将会

使用BeautifulSoup查找嵌套标记的原始位置

1 个答案: