在 xslt 中使用正则表达式来操作元素的文本，同时保持对子节点及其属性的处理（使用 TEI 样式表配置文件）

Question

我目前正在为 TEI xslt 样式表 (https://tei-c.org/release/doc/tei-xsl/) 编写配置文件，以自定义从 MSword docx 格式到符合 TEI XML 的转换（并进一步转换为有效 HTML).在我的例子中，我需要定制的一个特定转换是我有一堆文本引用特定的视频源档案。在文本中，这些引用类似于 [box: 001 roll: 01 start: 00:01:00.00]。我想使用正则表达式查找这些引用并在 tei:figure 元素中生成符合 TEI 的 tei:media 元素。当参考文献在其自己的段落中时，这很有效。但是不同的作者在他们的文本段落中有引用（元素 tei:p）。这里开始挑战，因为这些 pragraphs 可能包含其他元素，如 tei:note 或 tei:hi，应该保持完整并充分处理。不幸的是，xslt 指令 xsl:analyze-string 创建子字符串，因此您不能对它们使用 xsl:apply-templates，只能使用 xsl:copy-of。这适用于 xsl:matching-substring 但 xsl:non-matching-substring 包含如上所述的一些其他应处理的元素（具有属性）。

TEI 样式表转换相当复杂，并且运行各种传递。在我想干预我的个人资料的阶段，我的段落已经有一个 tei 元素 p。例如：

<p>This is my paragraph with a note <note place="foot">This is my note</note> and it is <hi rend="italic">important</hi> that this inline elements and their attributes are kept and further processed. This is my special reference to a video in the archive [box: 001 roll: 01 start: 00:01:10.12] that should be transformed into a valid tei:media element.</p>

到目前为止我的转变（简化）：

 <xsl:template match="tei:p" mode="pass2">
  <xsl:choose>
   <xsl:when test=".,'\[[Bb]ox:.+?\]'">
    <xsl:analyze-string select="." regex="\[box: (\d+) roll: (\d+) start: ((\d\d):(\d\d):(\d\d).(\d\d))\]">
     <xsl:matching-substring>
      <xsl:element name="ref">
       <xsl:attribute name="target">
        <xsl:value-of select="concat('https://path-to-video-page/',regex-group(1),'-',regex-group(2),'/',regex-group(4),'-'regex-group(5),'-',regex-group(6),'-',regex-group(7))"/>
       </xsl:attribute>
       <xsl:value-of select="concat('(box: ',regex-group(1),' roll: ',regex-group(2),' @ ',regex-group(4),'h 'regex-group(5),'m ',regex-group(6),'s)')"/>
      </xsl:element>
      
      <figure place="margin">
       <xsl:element name="head">
        <xsl:value-of select="concat('Sequence from box: ',regex-group(1),' roll: ',regex-group(2))"/>
       </xsl:element>
       <xsl:element name="media">
        <xsl:attribute name="mimeType">video/mp4</xsl:attribute>
         <xsl:attribute name="url">
          <xsl:value-of select="concat('https://path-to-video/',regex-group(1),'-',regex-group(2),'.mp4')"/>
         </xsl:attribute>
         <xsl:attribute name="start">
           <xsl:value-of select="regex-group(3)"/>
         </xsl:attribute>
       </xsl:element>
      </figure>
     </xsl:matching-substring>
     <xsl:non-matching-substring>
      <xsl:copy-of select="."/>
     </xsl:non-matching-substring>
    </xsl:analyze-string>  
   <xsl:otherwise>
    <xsl:apply-templates mode="pass2"/>
   </xsl:otherwise>
  </xsl:choose>
  </p>
 </xsl:template>

结果：

<p>This is my paragraph with a note This is my note and it is important that this inline elements and their attributes are kept and further processed. This is my special reference to a video in the archive <ref target="https://path-to-video-page/001-01/00-01-10-12">(box: 001 roll: 01 @ 00h 01m 10s)</ref>
<figure rend="margin">
   <head rend="none">Sequence from box: 001 roll: 01</head>
   <media mimeType="video/mp4" url="path-to-video/001-01.mp4" start="00:01:10.12"/>
</figure> that should be transformed into a valid tei:media element.</p>

现在我卡住了。是否可以用正则表达式操作p元素中文本的匹配内容，同时维护不匹配部分的“节点字符”以供进一步处理？还是我走入了死胡同，应该为此停止与 xml 混在一起？我正在考虑的替代方案是将引用作为文本保留在 xml 中，并使用 python 脚本 post 处理生成的 xml/html 文件。但如果可能的话，在 xslt 中做所有事情会更优雅。

感谢任何建议奥拉夫

Answer 1

解决方法很简单：将模板匹配改为

xsl:template match="tei:p//text()"

当应用于 tei:p 时，xsl:analyze-string 将整个元素分解为可以使用正则表达式解析的字符串。仅匹配文本节点 tei:p//text() 会保留 tei:p 及其 parent/ancestor/sibling 元素的其余元素结构。 xsl:analyze-string 然后只对文本进行操作，其余部分由其他模板或默认身份转换处理。

许多xsl:analyze-string的教程或示例将其应用于整个元素，因为他们只想提取一些信息以进行进一步处理，而将原始元素留在后面。如果您想使用 xsl:analyze-string 更改您进一步用作元素的元素的文本，则必须仅将其应用于文本节点。

感谢@Martin Honnen 在对我的问题的评论中提出的建议。

在 xslt 中使用正则表达式来操作元素的文本，同时保持对子节点及其属性的处理（使用 TEI 样式表配置文件）

use regex in xslt to manipulate text of element while maintain processing of child nodes and their attributes (using TEI stylesheets profile)

regex

xml

xslt

tei