Question

我有一个非常大的XML文件，我需要从中提取一些信息。我一直试图用sed脚本来做这件事，但我遇到了一些问题。实际上有两个版本的同一个XML文件，一个格式很好，一个只是一个巨大的单行XML。我对每个人都有不同的问题。

格式化文件：

我想从中提取数据的一个元素叫做<name>，但是这个元素有多个实例，我只想要数据在一个特定的上下文中。这就是我的意思：

XML看起来像这样：

 <object uid="1234567890-00000000">
   <name>Object Name</name>
   <country>United States</country>
   <state>Texas</state>
   <county>Travis</county>
   <timeZone>-06:00</timeZone>
   <datum uid="datum_UID">
     <name>Datum Name</name>
     <code>DUID</code>
   </datum>
 </object>

我的最终目标是生成一个两列，空白分隔的文件，其中包含第一列中的对象uid和第二列中的对象name。我的第一个想法是每个单独的sed，并使用结果构建两个临时文件，然后将它们合并为一个。问题是，当sed为name元素时，我无法弄清楚如何只获取对象<name>元素，而不是基准<name>元素。

用于查找对象sed的{{1}}脚本似乎完美无缺：

uid

sed -n -e 's/^.*<object uid="$[-0-9]*$">.*/\1/p' $infile > $outfile是大型XML文件，而$infile是我想要保存生成的$outfile的地方。以下是uid的内容，显然无效，因为它与name代码的每个实例都匹配：

<name>

有没有办法用sed -n -e 's/^.*<name>$[^<]*$<.*/\1/p' $infile > $outfile2执行此操作？请记住，文件非常大（超过5000万行）。我发现this blog有一个我可以尝试的多行搜索，但是如果我正确理解它，这会在搜索之前将所有行连接到保持缓冲区，而我对{{ {1}}要知道50mil +行是否真的非常糟糕。

单行文件：

我尝试使用一个sed脚本使用单行文件一步完成所有操作，但我最终只获得了最后一个匹配作为输出。这是我用过的sed脚本：

sed

我想我知道为什么这个表达式不起作用（开头的sed和结尾匹配我想要的数据之前/之后的所有内容），但我无法修复它。我在表达式中尝试了一些变化，但我从来没有得到我正在寻找的结果。要么它只打印最后一个结果，要么打印整行（在这种情况下是整个文件）。如何解析单行文件中的每个匹配？

Answer 1

以下是使用XML解析工具xmlstarlet：

的方法

xmlstarlet sel -t -m //object -v @uid -nl -v name -nl test.xml  | paste - -

1234567890-00000000 Object Name
2   second

给出这个“test.xml”：

<objects>
<object uid="1234567890-00000000">
   <name>Object Name</name>
   <country>United States</country>
   <state>Texas</state>
   <county>Travis</county>
   <timeZone>-06:00</timeZone>
   <datum uid="datum_UID">
     <name>Datum Name</name>
     <code>DUID</code>
   </datum>
 </object>
<object uid="2">
   <name>second</name>
   <datum uid="datum_UID">
     <name>not me</name>
   </datum>
 </object>
</objects>

解析重复元素的特定实例的大型XML文件

格式化文件：

单行文件：

1 个答案: