将非结构化文档解析为XML

时间:2009-08-31 08:52:06

标签: xml parsing

我正在使用模板将非结构化文档解析为结构化表示(XML)以描述预期结果。一个简单的典型问题可能是字符串列表:

"Chapter 1"
"Section background"
"this is something"
"this is another"
"Section methods"
"take some xxx"
"do yyy"
"and some..."
"Chapter apparatus"
"we created..."

我希望转换为:

<div role="CHAPTER" title="1">
  <div role="SECTION" title="background">
    <p>this is a paragraph...</p>
    <p>this is another...</p>
  </div>
  <div role="SECTION" title="methods">
    <p>take some xxx</p>
    <p>do yyy</p>
    <p>and some...</p>
  </div>
</div>
<div role="CHAPTER" title="apparatus">
  <div role="SECTION" title="???">
    <p>we created...</p>
  </div>
</div>

标签CHAPTER和SECTION不存在于字符串中,而是从启发式正则表达式生成(例如“[Cc]hap(ter)?(\s\d+\.)?.*”)并应用于所有字符串。

预期结果由“模板”描述,目前看起来像:

<template count="0," role="CHAPTER">
  <regex>[Cc]hap(ter)?(\s+.*)</regex>
  <template count="0," role="SECTION">
   <regex>[Ss]ec(tion)?(\s+.*)</regex>
    <template count="0," role="p">
     <regex>.*</regex>
    </template>
  </template>
</template>

(在某些情况下,计数可以是范围,例如2,4)。

我知道这是一个非常难的问题(SGML试图解决其中的部分问题)并且真实文档并不能完全符合这些模板,因此我准备部分解析并失去一些精确度和召回。

多年来,我一直使用自己的工作代码,该代码适用于多种类型的文档,最高可达几兆字节。性能不是问题。我有不同的模板用于不同的文档类型(论文,日志文件,fortran输出等)。有些文档有嵌套结构(如上所述),而其他文档比较扁平,但有更多类型的标记。

我现在正在重构这个并且想知道:

  • 是否有一个解决此问题的开源工具包? (最好是Java)
  • 如果没有,我可以使用XSLT2分组策略结合正则表达式
  • 还是应该使用自动机?如果是这样,我应该使用工具包还是自己编写?
编辑:@naspinski和一般情况。始终可以编写特定的脚本代码来解决特定问题。我想要一个通用的解决方案,因为我可能正在解析许多(甚至数百万)文档,其结构具有可靠的(但不是无限的)可变性。我希望解析文档的结构用XML表示,而不是脚本。我相信通过模板(声明性的)而不是脚本来添加新的解决方案会更容易。

编辑我几乎可以肯定我现在最好的方法是使用ANTLR。这是一个强大的工具,从我最初的探索中可以解析行和行组。

3 个答案:

答案 0 :(得分:1)

这就是Perl的作品。

#! /opt/perl/bin/perl
use strict;
use warnings;
use 5.10.1;

{
  package My::Full;
  use Moose;
  use MooseX::Method::Signatures;

  has 'chapters' => (
    'is' => 'rw',
    'isa' => 'ArrayRef[My::Chapter]',
    'default' => sub{[]}
  );

  method add_chapter( Str $name ){
    my $chapter = My::Chapter->new( name => "$name" );
    push @{$self->chapters}, $chapter;
    return $chapter;
  }

  method latest(){
    return $self->add_chapter('') unless @{$self->chapters};
    return $self->chapters->[-1];
  }

  method add_section( Str $name ){
    my $latest_chapter = $self->latest;
    $latest_chapter->add_section("$name");
  }

  method add_line( Str $line ){
    $self->latest->add_line( "$line" );
  }

  method xml(){
    my $out = '';
    for my $chapter ( @{ $self->chapters } ){
      $out .= $chapter->xml;
    }
    return $out;
  }
}
{
  package My::Chapter;
  use Moose;
  use MooseX::Method::Signatures;

  has 'name' => (
    'is' => 'rw',
    'isa' => 'Str',
    'required' => 1
  );

  has 'sections' => (
    'is' => 'rw',
    'isa' => 'ArrayRef[My::Section]',
    'default' => sub{[]}
  );

  method latest(){
    return $self->add_section('') unless @{$self->sections};
    return $self->sections->[-1];
  }

  method add_section( Str $name ){
    my $section = My::Section->new(name => "$name");
    push @{$self->sections}, $section;
    return $section;
  }

  method add_line( Str $line ){
    $self->latest->add_line( "$line" );
  }

  method xml(){
    my $name = $self->name;
    $name = '???' unless length $name;

    my $out = qq'<div role="CHAPTER" title="$name">\n';
    for my $section ( @{ $self->sections } ){
      $out .= $section->xml;
    }
    return $out."</div>\n";
  }
}
{
  package My::Section;
  use Moose;
  use MooseX::MultiMethods;

  has 'name' => (
    'is' => 'rw',
    'isa' => 'Str',
    'required' => 1
  );

  has 'lines' => (
    'is' => 'rw',
    'isa' => 'ArrayRef[Str]',
    'default' => sub{[]}
  );

  method add_line( Str $line ){
    push @{$self->lines}, "$line"
  }

  method xml(){
    my $name = $self->name;
    $name = '???' unless length $name;

    my $out = qq'  <div role="SECTION" title="$name">\n';
    for my $line ( @{ $self->lines } ){
      $out .= "    <p>$line</p>\n";
    }
    return $out."  </div>\n";
  }
}

主循环:

my $full = My::Full->new;

while( my $line = <> ){
  chomp $line;

  given( $line ){
    when( /^chap(?:ter)?\s++(.+)/i ){
      $full->add_chapter($1);
    }
    when( /^sec(?:tion)?\s++(.+)/i ){
      $full->add_section($1);
    }
    default{
      $full->add_line($line);
    }
  }
}

say $full->xml

<div role="CHAPTER" title="check">
  <div role="SECTION" title="check">
    <p>this is something</p>
    <p>this is another</p>
  </div>
  <div role="SECTION" title="check">
    <p>take some xxx</p>
    <p>do yyy</p>
    <p>and some...</p>
  </div>
</div>
<div role="CHAPTER" title="check">
  <div role="SECTION" title="???">
    <p>we created...</p>
  </div>
</div>

答案 1 :(得分:0)

从非结构化到结构化将要求您编写某种类型的解析器,这非常简单。扫描第一个正则表达式,提取数据,并为其发出XML元素。然后扫描第二个正则表达式,提取它的数据,并在你创建的第一个XML元素中发出它。然后扫描所有剩余的输入以查看它是否与FIRST正则表达式匹配,如果不匹配,则将其添加到您创建的第二个元素,否则使用新的高级元素重新启动。继续执行EOF,并保存生成的XML。

答案 2 :(得分:0)

我很确定我要找的答案是ANTLR(http://www.antlr.org/)。这允许我编写以下形式的表达式:

document : (chapter)+;
chapter : 'Chapter ' DIGIT NEWLINE line+;

等等。它还允许将代码嵌入到这些表达式中。