将非结构化文档解析为XML

Question

我正在使用模板将非结构化文档解析为结构化表示(XML)，以描述预期的结果。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..."

我想将其转化为：

<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>

标签章和节不存在于字符串中，而是由启发式正则表达式(例如"[Cc]hap(ter)?(\s\d+\.)?.*")生成，并应用于所有字符串。

预期的结果由一个“模板”描述，该模板目前看起来类似于：

<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困难的问题(SGML试图解决其中的部分问题)，而真正的文档不太符合这样的模板，所以我准备进行部分解析，并丢失一些精确性和回忆性。

几年来，我一直使用我自己的工作代码，它可以在各种类型的文档中使用几兆字节。性能不是问题。对于不同的文档类型，我有不同的模板(论文、日志文件、fortran输出等等)。有些文档具有嵌套结构(如上面所示)，而另一些文档则比较平顺，但有更多类型的标记。

我现在正在重构这一点，并想知道：

• 有解决这个问题的开源工具包吗？(最好是Java)
• 如果没有，我可以使用XSLT2分组策略与正则表达式
• 相结合，还是应该使用自动机？如果是这样，我应该使用工具包还是编写自己的工具包？

编辑：@naspinski和一般。总是有可能编写特定的脚本代码来解决特定的问题。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，这些文档在结构上具有可考虑的(但不是无限的)可变性。我希望解析文档的结构是用XML表示的，而不是脚本。我相信，通过模板(声明式)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，它是一个强大的工具，从我最初的探索中可以解析行和行组。

Answer 1

我相当肯定，我正在寻找的答案是在反the (http://www.antlr.org/)。这允许我编写表单的表达式：

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

诸若此类。它还允许将代码嵌入到这些表达式中。

Answer 2

这是Perl创建的任务类型。

#! /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";
  }
}

主回路：

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>

Answer 3

从非结构化到结构化将要求您编写某种类型的解析器，这已经够简单的了。扫描第一个正则表达式，提取数据，并为其发出一个XML元素。然后扫描第二个正则表达式，提取它的数据，并在您创建的第一个XML元素中发出它。然后扫描所有剩余的输入，看看它是否匹配第一个正则表达式，如果不匹配，将其添加到您创建的第二个元素中，否则使用一个新的高级元素重新启动。继续到EOF，并保存结果XML。