Блог

Нам нужно обработать XML-файл, который содержит элементы PCDATA, подобные следующим:

 <corpus id="c01">
  <text id="t01>
    <sentence id="s01">Mary <instance id="i01">had</instance> a <instance id="i02">lamb</instance>.</sentence>
    <sentence id="s02">...</sentence>
    ...
  </text>
  ...
</corpus>
  

Для каждого <предложения> каждого <текста> нам нужно заполнить структуру данных, содержащую идентификатор предложения и полный текст, охватываемый предложением. Затем для каждого <экземпляра> нам нужно заполнить структуру данных, содержащую идентификатор экземпляра и его начальную и конечную позицию в предложении. (Нам все равно, нормализовано ли пустое пространство.)

Итак, для приведенного выше примера нам в основном нужно следующее:

 s.id = "s01"
s.text = "Mary had a lamb."
i1.id = "i01"
i1.start = 6
i1.end = 8
i2.id = "i02"
i2.start = 12
i2.end = 15
  

Есть ли какой-либо способ сделать это с dom4j? Метод Element.getText() пропускает текст дочерних элементов, и я не вижу никаких методов, которые дают смещение элемента внутри другого. Если dom4j не подходит для этой задачи, какой инструмент лучше?

Это, безусловно, выполнимо, но требует небольшой работы. Вы могли бы создать посетителя, который отслеживает, где он находится в дереве, и накапливает смещения текста и экземпляра по мере продвижения. Однако это решение с тем же успехом может быть реализовано непосредственно обработчиком SAX, что было бы намного быстрее.

Это должно дать что-то для начала:

 public class Main extends DefaultHandler {

StringBuilder buf = new StringBuilder();
boolean collecting = false;
int ic = 0;

@Override
public void startElement(String uri, String localName, String qName,
        Attributes attributes) throws SAXException {
    if (localName.equals("sentence")) {
        System.out.printf("s.id=%sn", attributes.getValue("id"));
        collecting = true;
        buf.setLength(0);
        ic = 0;
    } else if (localName.equals("instance")) {
          ic;
        System.out.printf("i%d.id=%sn", ic, attributes.getValue("id"));
        System.out.printf("i%d.start=%sn", ic, buf.length());
    }

}

@Override
public void endElement(String uri, String localName, String qName)
        throws SAXException {
    if (localName.equals("sentence")) {
        collecting = false;
        System.out.printf("s.text=%sn", buf.toString());
    } else if (localName.equals("instance")) {
        System.out.printf("i%d.end=%sn", ic, buf.length());
    }
}

@Override
public void characters(char[] ch, int start, int length)
        throws SAXException {
    if (collecting) {
        buf.append(ch, start, length);
    }
}

public static void main(String[] args) throws Exception {

    SAXParserFactory f = SAXParserFactory.newInstance();
    f.setNamespaceAware(true);
    f.newSAXParser().parse(Main.class.getResourceAsStream("data.xml"),
            new Main());
}
}