Question

我有来自INEX的IMDB集合，它包含数千个目录中的数百万个XML文件，结构如下：

- actors
-- 000
--- person_1000.xml
--- ...
-- 001
--- person_1001.xml
--- ...
...
- movies
-- 000
--- 10000.xml
--- ...
...

我需要将这些文件转换为TRECTEXT格式，即

<DOC>
 <DOCNO> document_number </DOCNO>  
 <TEXT>  XML file goes here. </TEXT>  
</DOC>

其中document_number应该是没有扩展名的文件名，e.x。 person_1000.xml - ＆gt; person_1000和XML文件的内容应该包含在标签中。

我假设我需要一些脚本来包装集合中的每个XML文件，并且如上所示标记并覆盖原始文件。你能帮帮我吗？

Answer 1

我不熟悉TRECTEXT格式，但是这里使用Perl的单行程应该可以做你想要的：

find . -type f -name "*.xml" -exec perl -MFile::Basename -0777pi.bak -e 's#(.*)\n#"<DOC>\n <DOCNO> ".basename($ARGV,".xml")." </DOCNO>\n <TEXT> ".$1." </TEXT>\n</DOC>\n"#es' {} \;

如果您不想保留任何备份文件，显然会删除.bak扩展名。如果您有任何问题，请告诉我。欢呼声。

根据评论更新：

find . -type f -name "*.xml" -exec perl -MFile::Basename -0777pi.bak -e 's#.*#"<DOC>\n <DOCNO> ".basename($ARGV,".xml")." </DOCNO>\n <TEXT> ".$&." </TEXT>\n</DOC>\n"#es' {} \;

将XML文件转换为TRECTEXT格式

1 个答案: