如何使用 XSLT 按句子标记文本

Question

我的 XSLT 知识已经达到了以下问题的极限。

我有一个 XML 文件，看起来像这样，经过简化：

<?xml version="1.0" encoding="UTF-8"?>
<root>
<p>
    <w>This</w>
    <w>is</w>
    <w>a</w>
    <w>sentence</w>
    <w>with</w>
    <w>a</w>
    <entity type="name">Name</entity>
    <w>and</w>
    <w>a</w>
    <entity type="place">Place</entity>
    <w>etc</w>. <w>This</w>
    <w>is</w>
    <w>another</w>
    <w>sentence</w>
    <w>with</w>
    <w>an</w>
    <w>abbrev</w>. <w>before</w>
    <w>its</w>
    <w>end</w>. <w>Is</w>
    <w>this</w>
    <w>a</w>
    <w>question</w>? <w>Sure</w>
    <w>it</w>
    <w>is</w>! </p>
</root>

文本已按单词标记。我需要自动标记句子。为此，我有一个变量，其中包含结束句子的可能字符：

<xsl:variable name="SEnd">.!?</xsl:variable>

所以，我需要一个 XSLT 2.0 样式表，它将：

遍历每个段落
组单词 (<w>) 从段落中的第一个 <w> 开始并以 <w> 元素结束，其直接兄弟 text() 节点以以下之一开始变量集 "SEnd" 的成员，但当且仅当 following-sibling::w 以大写字母开头（这必须是正则表达式 \p{Lu} 而不仅仅是 [A-Z] 因为我有多个脚本；
将上述各组包裹在<s></s>.

这样 <w>abbrev</w>. 就不会被识别为句子的最后一个单词，因为它后面跟着一个小写单词。

结果应如下所示：

<?xml version="1.0" encoding="UTF-8"?>
<root>
<p>
    <s><w>This</w>
        <w>is</w>
        <w>a</w>
        <w>sentence</w>
        <w>with</w>
        <w>a</w>
        <entity type="name">Name</entity>
        <w>and</w>
        <w>a</w>
        <entity type="place">Place</entity>
        <w>etc</w>.</s>
    <s><w>This</w>
        <w>is</w>
        <w>another</w>
        <w>sentence</w>
        <w>with</w>
        <w>an</w>
        <w>abbrev</w>. <w>before</w>
        <w>its</w>
        <w>end</w>.</s>
    <s><w>Is</w>
        <w>this</w>
        <w>a</w>
        <w>question</w>?</s>
    <s><w>Sure</w>,
        <w>it</w>
        <w>is</w>!</s>
</p>
</root>

我知道这不是万无一失的，会有例外，但这对这个特定任务来说并不重要。我从概念上理解这个问题，我认为应该使用 <xsl:for-each-group> 但我不知道如何将它们实际放在一起。

非常感谢你的帮助。

一切顺利，坦奇

Answer 1

怎么样：

<xsl:template match="p">
    <xsl:copy>
        <xsl:for-each-group select="node()" group-ending-with="text()[matches(., $SEnd)][matches(following-sibling::w[1], '^\p{Lu}')]">
            <s>
                <xsl:apply-templates select="current-group()" />
            </s>
        </xsl:for-each-group>
    </xsl:copy>
</xsl:template>

如何使用 XSLT 按句子标记文本

How to tokenize text by sentences with XSLT

xml

xslt

tokenize

xslt-2.0