Question

将几千个TIFF图像OCR转换为ALTO XML之后，我发现xml中的文件名标记为空。 xml文件开头为：

<?xml version="1.0" encoding="UTF-8"?>
<alto xmlns="http://www.loc.gov/standards/alto/ns-v3#" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/standards/alto/ns-v3# http://www.loc.gov/alto/v3/alto-3-0.xsd">
     <Description>
         <MeasurementUnit>pixel</MeasurementUnit>
             <sourceImageInformation>
                  <fileName>                      </fileName>
             </sourceImageInformation>

我想（递归）处理所有xml文件，并在标签之间添加tiff的名称。 xml的基本名称与tiff相同。最好的方法是什么？我应该将bash与find和sed一起使用，还是将Python与string.replace一起使用，还是有更好的选择？

Answer 1

不要不要使用字符串处理工具来处理XML！ XML不是常规格式，使用str.replace()或sed或任何此类工具很可能会导致误报和错误。

使用XML解析器； Python具有xml.etree.ElementTree，这使此任务足够简单：

from pathlib import Path
from xml.etree import ElementTree as ET

for xmlfile in Path("directory_with_xml_files").glob("*.xml"):
    tree = ET.parse(xmlfile)
    namespace = tree.getroot().tag.partition('}')[0][1:]
    elem = tree.find(f".//a:fileName", {'a': namespace})
    elem.text = f"{xmlfile.stem}.tiff"
    tree.write(xmlfile, default_namespace=namespace,
               encoding="UTF-8", xml_declaration=True)

以上处理给定目录中的所有XML文件（使用pathlib module，使用Path.glob() method查找XML文件）。对于每个文件，它将XML数据解析为XML树，并使用该元素的简单XPath expression，updates the text（使用{{3}）在树中找到第一个<fileName>元素}，它是没有扩展名.xml的基本名称），并将XML树写回到原始文件中。

您说过您使用filename stem，后者使用ALTO schema来区分版本。上面的代码应该从根元素中选择要使用的正确名称空间，然后在XPath查询中使用该名称空间（以a作为前缀）。

演示：

$ mkdir demo
$ cat << EOF > demo/foo.xml
> <?xml version="1.0" encoding="UTF-8"?>
> <alto xmlns="http://www.loc.gov/standards/alto/ns-v3#" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/standards/alto/ns-v3# http://www.loc.gov/alto/v3/alto-3-0.xsd">
>   <Description>
>     <MeasurementUnit>pixel</MeasurementUnit>
>     <sourceImageInformation>
>       <fileName>                      </fileName>
>     </sourceImageInformation>
>   </Description>
> </alto>
> EOF
$ cp demo/foo.xml demo/bar.xml
$ cp demo/foo.xml demo/baz.xml
$ python3.7
Python 3.7.4 (default, Jul  9 2019, 19:45:08)
[Clang 10.0.0 (clang-1000.11.45.5)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> from pathlib import Path
>>> from xml.etree import ElementTree as ET
>>> for xmlfile in Path("demo").glob("*.xml"):
...     tree = ET.parse(xmlfile)
...     namespace = tree.getroot().tag.partition('}')[0][1:]
...     elem = tree.find(f".//a:fileName", {'a': namespace})
...     elem.text = f"{xmlfile.stem}.tiff"
...     tree.write(xmlfile, default_namespace=namespace,
...                encoding="UTF-8", xml_declaration=True)
...
>>> ^D
$ cat demo/*.xml
<?xml version='1.0' encoding='UTF-8'?>
<alto xmlns="http://www.loc.gov/standards/alto/ns-v3#" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/standards/alto/ns-v3# http://www.loc.gov/alto/v3/alto-3-0.xsd">
  <Description>
    <MeasurementUnit>pixel</MeasurementUnit>
    <sourceImageInformation>
      <fileName>bar.tiff</fileName>
    </sourceImageInformation>
  </Description>
</alto><?xml version='1.0' encoding='UTF-8'?>
<alto xmlns="http://www.loc.gov/standards/alto/ns-v3#" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/standards/alto/ns-v3# http://www.loc.gov/alto/v3/alto-3-0.xsd">
  <Description>
    <MeasurementUnit>pixel</MeasurementUnit>
    <sourceImageInformation>
      <fileName>baz.tiff</fileName>
    </sourceImageInformation>
  </Description>
</alto><?xml version='1.0' encoding='UTF-8'?>
<alto xmlns="http://www.loc.gov/standards/alto/ns-v3#" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/standards/alto/ns-v3# http://www.loc.gov/alto/v3/alto-3-0.xsd">
  <Description>
    <MeasurementUnit>pixel</MeasurementUnit>
    <sourceImageInformation>
      <fileName>foo.tiff</fileName>
    </sourceImageInformation>
  </Description>
</alto>

将文件名放在标签<fileName> </fileName>之间的文件中

1 个答案: