免费注册 查看新帖 |

Chinaunix

  平台 论坛 博客 文库
最近访问板块 发新帖
查看: 2498 | 回复: 5
打印 上一主题 下一主题

新人跪地求助(XML文本提取) [复制链接]

论坛徽章:
0
跳转到指定楼层
1 [收藏(0)] [报告]
发表于 2012-06-18 11:27 |只看该作者 |倒序浏览
本帖最后由 LOSTKILLER 于 2012-06-18 11:29 编辑

xml文件如下。

我想提取字符“Solution Overview” 和 “解决方案概述:。”
我现有提取的结果是 “1a href=/collateral/software/solution-overview/h3472-oem-svc-so.pdf target=_blank/1解决方案概述:”


    <tu tuid="476" srclang="EN-US">
      <tuv xml:lang="EN-US">
        <seg><bpt i="1" x="1">1</bpt>a href=/collateral/software/solution-overview/h3472-oem-svc-so.pdf target=_blank<ept i="1">/1</ept>Solution Overview:</seg>
      </tuv>
      <tuv xml:lang="ZH-CN" creationdate="20080918T164436Z" creationid="RITA ZHANG" lastusagedate="20091016T220526Z" changedate="20091016T220526Z" changeid="sa" usagecount="0">
        <prop type="x-ALS:Context">TEXT</prop>
        <prop type="x-ALS:Source File">Trados Import</prop>
        <seg><bpt i="1" x="1">1</bpt>a href=/collateral/software/solution-overview/h3472-oem-svc-so.pdf target=_blank<ept i="1">/1</ept>解决方案概述:</seg>
      </tuv>
    </tu>




<?xml version="1.0" ?>
<!DOCTYPE tmx SYSTEM "tmx14.dtd">
<tmx version="1.4">
  <header
    creationtool="Sdl.SDLX .Net API"
    creationtoolversion="2010.0.8591.0"
    datatype="unknown"
    segtype="sentence"
    adminlang="EN-US"
    srclang="EN-US"
    o-tmf="sdlxTM"
  >
  </header>
  <body>
    /tu>
    <tu tuid="26197" srclang="EN-US">
      <tuv xml:lang="EN-US">
        <seg>Click here for Solution Brief, White Papers and Reports and customer examples for the {\b \lquote Information Based Medicine\rquote ,</seg>
      </tuv>
      <tuv xml:lang="ZH-CN" creationdate="20060828T093629Z" creationid="YANMEI" lastusagedate="20091016T221103Z" changedate="20100212T200028Z" changeid="sa" usagecount="0">
        <prop type="x-ALS:Context">TEXT</prop>
        <prop type="x-ALS:Source File">TMXImport</prop>
        <seg>HYPERLINK &quot;http://www.emc.com/solutions/hea ... =health&quot;Z3单击此处以获取揬基于信息的医>学/Z2</seg>
      </tuv>
    </tu>
    <tu tuid="26252" srclang="EN-US">
      <tuv xml:lang="EN-US">
        <seg>Describe your customer’s current environment.</seg>
      </tuv>
      <tuv xml:lang="ZH-CN" creationdate="20060828T093640Z" creationid="YANMEI" lastusagedate="20091016T221104Z" changedate="20091016T221104Z" changeid="sa" usagecount="0">
        <prop type="x-ALS:Context">TEXT</prop>
        <prop type="x-ALS:Source File">Trados Import</prop>
        <seg>介绍客户的当前环境。</seg>
      </tuv>
    </tu>
    <tu tuid="26256" srclang="EN-US">
      <tuv xml:lang="EN-US">
        <seg>Insert customer’s “before” graphic below.</seg>
      </tuv>
      <tuv xml:lang="ZH-CN" creationdate="20060828T093640Z" creationid="YANMEI" lastusagedate="20091016T221104Z" changedate="20091016T221104Z" changeid="sa" usagecount="0">
        <prop type="x-ALS:Context">TEXT</prop>
        <prop type="x-ALS:Source File">Trados Import</prop>
        <seg>请在下面插入客户的“之前”图形。</seg>
      </tuv>
    </tu>
    <tu tuid="476" srclang="EN-US">
      <tuv xml:lang="EN-US">
        <seg><bpt i="1" x="1">1</bpt>a href=/collateral/software/solution-overview/h3472-oem-svc-so.pdf target=_blank<ept i="1">/1</ept>Solution Overview:</seg>
      </tuv>
      <tuv xml:lang="ZH-CN" creationdate="20080918T164436Z" creationid="RITA ZHANG" lastusagedate="20091016T220526Z" changedate="20091016T220526Z" changeid="sa" usagecount="0">
        <prop type="x-ALS:Context">TEXT</prop>
        <prop type="x-ALS:Source File">Trados Import</prop>
        <seg><bpt i="1" x="1">1</bpt>a href=/collateral/software/solution-overview/h3472-oem-svc-so.pdf target=_blank<ept i="1">/1</ept>解决方案概述:</seg>
      </tuv>
    </tu>
  </body>
</tmx>

论坛徽章:
1
2015年辞旧岁徽章
日期:2015-03-03 16:54:15
2 [报告]
发表于 2012-06-18 21:25 |只看该作者
告诉过你了用XPATH,难道你就一定要一次次的当代码乞丐?

论坛徽章:
0
3 [报告]
发表于 2012-06-19 08:55 |只看该作者
XML::Twig 这个模块不错,可能上手困难一些,但是很好用

论坛徽章:
0
4 [报告]
发表于 2012-06-19 10:24 |只看该作者
回复 2# py


   <seg><bpt i="1" x="1">1</bpt>a href=/collateral/software/solution-overview/h3472-oem-svc-so.pdf target=_blank<ept i="1">/1</ept>解决方案概述:</seg>


xpath只能找到seg着一个路径,我只是要提取"解决方案概述:",xpath没有办法满足吧2。

   

论坛徽章:
1
2015年辞旧岁徽章
日期:2015-03-03 16:54:15
5 [报告]
发表于 2012-06-19 12:24 |只看该作者
做你这件事,只有用xpath是正解。单纯只用正则表达式是不合理的。
xpath就是根据路径找标签元素的,如果你曾经搜索过xpath的任何信息,你都不会对这件事有疑问。

CPAN上有大把的分析xml/html的模块,绝大部分都支持xpath。你甚至可以用其它任何编程语言,方法一样也是通过xpath

论坛徽章:
0
6 [报告]
发表于 2012-06-21 13:01 |只看该作者
回复 6# py



不管怎么说,先谢谢版主。
XPATH我试了一下,结果也不符合我的要求。主要是XML文件有些内容不太标准,我使用XML:TWig加正则表达式来处理。我只是需要一对句子,如果有些不符合我要求的直接丢掉。然后后面加个判断,符合要求就打印。
您需要登录后才可以回帖 登录 | 注册

本版积分规则 发表回复

  

北京盛拓优讯信息技术有限公司. 版权所有 京ICP备16024965号-6 北京市公安局海淀分局网监中心备案编号:11010802020122 niuxiaotong@pcpop.com 17352615567
未成年举报专区
中国互联网协会会员  联系我们:huangweiwei@itpub.net
感谢所有关心和支持过ChinaUnix的朋友们 转载本站内容请注明原作者名及出处

清除 Cookies - ChinaUnix - Archiver - WAP - TOP