创建多个具有子节点的同名节点

Question

我有一个文本文件，我使用 xml.etree.cElementTree 库用 python 解析了它。在输入中我有一段 <p> 包含句子 <s>，每个句子都有单词 <w>，这是文本文件的样子：

This
is
my
first
sentence.
This
is
my
second
sentence.

在输出中我想要以下 xml 文件：

<p>
   <s>
      <w>this</w>
      <w>is</w>
      <w>my</w>
      <w>first</w>
      <w>sentence</w>
      <pc>.</pc>
   </s>
   <s>
      <w>this</w>
      <w>is</w>
      <w>my</w>
      <w>second</w>
      <w>sentence</w>
      <pc>.</pc>
   </s>
</p>

我写了下面的 python 代码，给我段落标签和单词标签，但我不知道如何实现具有多个 <s> 标签的情况。一个句子以大写字母开头，以点结尾。我的 python 代码：

source_file = open("file.txt", "r")
for line in source_file:
    # catch ponctuation : . and , and ! and ? and ()
    if re.match("(\(|\)|\.|\,|\!)", str(line)):
        ET.SubElement(p, "pc").text = line
    else:
        ET.SubElement(p, "w").text = line

tree.write("my_file.xml", encoding="UTF-8", xml_declaration=True)

以下 xml 输出：

<?xml version="1.0" encoding="UTF-8"?>
<p>
   <w>this</w>
   <w>is</w>
   <w>my</w>
   <w>first</w>
   <w>sentence</w>
   <pc>.</pc>
   <w>this</w>
   <w>is</w>
   <w>my</w>
   <w>second</w>
   <w>sentence</w>
   <pc>.</pc>
</p>

我面临的问题是我无法为每个新句子创建一个新的 <s> 标签，有没有办法使用 xml 库使用 python ?

Answer 1

基本上你需要一个逻辑来识别新句子。忽略明显的部分，应该像下面这样，

import os
eos = False
s = ET.SubElement(p, 's')
for line in source_file:
    line = str(line).rstrip(os.linesep) #to remove new line char at the end of each line
    # catch ponctuation : . and , and ! and ? and ()
    if re.match("(\(|\)|\.|\,|\!)", line):   #don't think this matches 'sentence.', you will need to verify
        ET.SubElement(s, "pc").text = line
        eos = True
    else:
        if eos and line.strip() and line[0].isupper():
            s = ET.SubElement(p, 's')
        eos = False
        ET.SubElement(s, "w").text = line

此外，您的正则表达式可能需要修复

创建多个具有子节点的同名节点

Create multiple nodes having the same name with sub nodes

python

xml

celementtree