Question

我有300多个XML文件，如下所示：

<SUBJECT>
  <TITLE>Mathematics</TITLE> 
  <AREA>
    <TITLE>Geometry</TITLE> 
    <SECTION>
      <TITLE>Coordinate Geometry</TITLE> 
      <TOPIC GRADELEVEL="10">
        <TITLE>Plotting Ordered Pairs </TITLE> 
        // Lots of content
      </TOPIC> 
    </SECTION> 
  </AREA> 
</SUBJECT>
(eof)

应该这样读：

<SUBJECT>
  <TITLE>Mathematics</TITLE>
</SUBJECT>
<AREA>
  <TITLE>Geometry</TITLE>
</AREA>
<SECTION>
  <TITLE>Coordinate Geometry</TITLE>
</SECTION>
<TOPIC GRADELEVEL="10">
  <TITLE>Plotting Ordered Pairs </TITLE>
</TOPIC> 
// Lots of content

是否存在批量解决方案以纠正此问题？

Answer 1

最简单的方法是使用XSLT处理器（如Linux的xsltproc）。您必须使用root元素包围输入XML，以使XML有效然后使用此XSLT-1.0文件（theAbove.xslt）来转换XML。

<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="xml" omit-xml-declaration="yes" indent="yes"/>

  <xsl:template match="text()" />

  <xsl:template match="/">
    <xsl:apply-templates />
  </xsl:template>

  <xsl:template match="SUBJECT | AREA | SECTION | TOPIC">
    <xsl:copy>
      <xsl:copy-of select="@*" />
      <xsl:copy-of select="TITLE" />
    </xsl:copy>
    <xsl:apply-templates />
  </xsl:template>

</xsl:stylesheet>

<强>输出：

<SUBJECT>
    <TITLE>Mathematics</TITLE>
</SUBJECT>
<AREA>
    <TITLE>Geometry</TITLE>
</AREA>
<SECTION>
    <TITLE>Coordinate Geometry</TITLE>
</SECTION>
<TOPIC GRADELEVEL="10">
    <TITLE>Plotting Ordered Pairs </TITLE>
</TOPIC>

用

调用它

xsltproc theAbove.xslt yourSource.xml

Answer 2

Saxon XSLT处理器允许您在输入行上指定包含源文档的目录：

java net.sf.saxon.Transform -t -s:inputdir -o:outputdir -xsl:theAbove.xslt

其优点是所有初始化成本（如编译样式表）仅产生一次。

Answer 3

可以使用两个Perl正则表达式替换，第二个使用标记组和反向引用，以重新格式化XML文件的标题区域

<SUBJECT>
  <TITLE>Mathematics</TITLE> 
  <AREA>
    <TITLE>Geometry</TITLE> 
    <SECTION>
      <TITLE>Coordinate Geometry</TITLE> 
      <TOPIC GRADELEVEL="10">
        <TITLE>Plotting Ordered Pairs </TITLE> 
        // Lots of content
      </TOPIC> 
    </SECTION> 
  </AREA> 
</SUBJECT>

到

<SUBJECT>
  <TITLE>Mathematics</TITLE>
</SUBJECT>
<AREA>
  <TITLE>Geometry</TITLE>
</AREA>
<SECTION>
  <TITLE>Coordinate Geometry</TITLE>
</SECTION>
<TOPIC GRADELEVEL="10">
  <TITLE>Plotting Ordered Pairs </TITLE>
</TOPIC>
        // Lots of content

因此，带有大量内容的块不会缩进，但是在包含* .xml文件的目录中运行此批处理文件时，其他行也是如此。 Windows命令解释程序cmd.exe不支持在文本文件中替换Perl正则表达式。出于这个原因需要另外JREPL.BAT由 Dave Benham 编写，这是一个批处理文件/ JScript混合，用于使用正则表达式替换重新格式化XML文件中的行。 JREPL.BAT 必须与此批处理文件位于同一目录中。

@echo off
if not exist *.xml goto :EOF
if not exist "%~dp0jrepl.bat" goto :EOF

for /F "delims=" %%I in ('dir *.xml /A-D /B') do (
    call "%~dp0jrepl.bat" "^[\t ]*</(?:AREA|SECTION|SUBJECT|TOPIC)>[\t ]*\r?\n" "" /M /F "%%I" /O -
    call "%~dp0jrepl.bat" "^[\t ]*<(AREA|SECTION|SUBJECT|TOPIC)(.*>)[\t ]*(\r?\n)[\t ]*(<TITLE>.*</TITLE>)[\t ]*$" "<$1$2$3  $4$3</$1>" /M /F "%%I" /O -
)

要了解使用的命令及其工作原理，请打开命令提示符窗口，执行以下命令，并完全阅读为每个命令显示的所有帮助页面。

call /?
dir /?
echo /?
for /?
goto /?
if /?
jrepl.bat /?

批量修正格式不正确的XML文件

3 个答案: