如何用XSLT 2/3将注释转换为包裹式输出元素？

问题背景 #

需要将非规范HTML转换为XML，以便通过XSLT批量处理数千份文档生成指定格式JSON。现有HTML使用<!-- TAG_NAME -->与<!-- /TAG_NAME -->形式的注释标记内容区块，目标是将这类注释替换为对应XML元素，包裹两个注释之间的所有内容。当前尝试的XSLT代码仅能匹配结束注释前的第一个同级节点，无法正确分组包裹所有中间节点，需修正分组逻辑。

待处理HTML示例 #

<!-- IMAGECOUNT -->
      <table width="100%">
         <tr>
            <td colspan="1" rowspan="1">
               <strong>
2 Images
</strong>
            </td>
         </tr>
      </table>
      <!-- /IMAGECOUNT -->
      <p>
         <strong>
<!-- SECTION -->
The section 
<!-- /SECTION -->
<!-- COUNTRY -->
The country
<!-- /COUNTRY -->


</strong>
      </p>
      <!-- DATE -->
      <p>
         <font size="-1">
            <b>Date Posted: 09-Dec-2019</b>
         </font>
      </p>
      <!-- /DATE -->
      <!-- TEXT -->
      <center>
         <p>
            <font size="-1">
Just some text
</font>
         </p>
      </center>
      <!-- /TEXT -->
      <!-- TOP THUMBNAILS -->
      <table class="tabletopbottom" width="100%">
         <tr>
            <td colspan="1" rowspan="1">
               <img src="images/s1353556.jpg" alt="Cat"/>
               <img src="images/s1164352.jpg" alt="Dog"/>
            </td>
         </tr>
      </table>
      <!-- /TOP THUMBNAILS -->

尝试的XSLT代码（存在问题） #

<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="3.0">

  <!-- Identity transform template -->
  <xsl:template match="@* | node()">
  
    <xsl:copy>
      <xsl:apply-templates select="@* | node()"/>
    </xsl:copy>
  </xsl:template>

  <!-- Match opening comments and create elements -->
  <xsl:template match="comment()" priority="10">
    <xsl:variable name="commentContent" select="normalize-space(.)"/>
    <xsl:message>Processing comment: <xsl:value-of select="$commentContent"/></xsl:message>
    <xsl:choose>
      <xsl:when test="starts-with($commentContent, '/')">
        <xsl:message>   Ignoring closing comment: <xsl:value-of select="$commentContent"/></xsl:message>
      </xsl:when>
      <xsl:otherwise>
        <xsl:message>Creating element for comment: <xsl:value-of select="$commentContent"/></xsl:message>
        <xsl:element name="{replace($commentContent, ' ', '')}">
                      <xsl:apply-templates select="following-sibling::node()[1][not(self::comment())]"/>
        </xsl:element>
      </xsl:otherwise>
    </xsl:choose>
  </xsl:template>
</xsl:stylesheet>

问题分析 #

原代码仅通过following-sibling::node()[1]选择当前注释后的第一个非注释节点，无法覆盖到结束注释前的所有节点。同时，未处理结束注释的跳过逻辑，会导致结束注释被保留或重复处理。

解决方案 #

使用XSLT 3.0的for-each-group分组功能，通过group-starting-with匹配开头注释，group-ending-with匹配对应的结束注释，将两个注释之间的所有节点作为一组，再用对应名称的XML元素包裹该组内容。

修正后的XSLT代码 #

<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="3.0">

  <!-- Identity transform: 默认复制所有节点，后续模板覆盖特定情况 -->
  <xsl:template match="@* | node()">
    <xsl:copy>
      <xsl:apply-templates select="@* | node()"/>
    </xsl:copy>
  </xsl:template>

  <!-- 对同级节点按注释区块分组处理 -->
  <xsl:template match="*">
    <xsl:copy>
      <xsl:apply-templates select="@*"/>
      <xsl:for-each-group select="node()" 
                          group-starting-with="comment()[normalize-space(.) != '' and not(starts-with(normalize-space(.), '/'))]">
        <!-- 处理分组：如果是注释开头的组 -->
        <xsl:choose>
          <xsl:when test="self::comment()">
            <xsl:variable name="tagName" select="normalize-space(.)"/>
            <xsl:variable name="closingTag" select="concat('/', $tagName)"/>
            <!-- 检查是否有对应的结束注释 -->
            <xsl:if test="current-group()[last()][self::comment() and normalize-space(.) = $closingTag]">
              <!-- 创建替换的XML元素，移除标签名中的空格 -->
              <xsl:element name="{replace($tagName, ' ', '')}">
                <!-- 处理组内除开头和结尾注释外的所有节点 -->
                <xsl:apply-templates select="current-group()[position() > 1 and position() < last()]"/>
              </xsl:element>
            </xsl:if>
            <!-- 无对应结束注释的情况：直接复制开头注释及后续节点 -->
            <xsl:if test="not(current-group()[last()][self::comment() and normalize-space(.) = $closingTag])">
              <xsl:apply-templates select="current-group()"/>
            </xsl:if>
          </xsl:when>
          <!-- 非注释开头的组：直接复制所有节点 -->
          <xsl:otherwise>
            <xsl:apply-templates select="current-group()"/>
          </xsl:otherwise>
        </xsl:choose>
      </xsl:for-each-group>
    </xsl:copy>
  </xsl:template>

  <!-- 单独匹配结束注释，直接跳过不输出 -->
  <xsl:template match="comment()[starts-with(normalize-space(.), '/')]"/>
</xsl:stylesheet>

代码说明 #

1. 分组逻辑：通过for-each-group将节点按开头注释分组，每组从<!-- TAG -->开始，到对应的<!-- /TAG -->结束。
2. 元素创建：提取注释中的标签名，替换空格后作为XML元素名，包裹组内除首尾注释外的所有节点。
3. 异常处理：如果开头注释没有对应的结束注释，会按原结构保留节点，避免数据丢失。
4. 结束注释处理：单独匹配结束注释，直接跳过不输出，避免残留无用注释。

注意事项 #

• 确保使用支持XSLT 3.0的处理器（如Saxon HE/PE/EE）。
• 需保证HTML中的注释区块无嵌套结构，否则分组逻辑可能失效。
• 标签名中的空格会被移除（如TOP THUMBNAILS转为TOPTHUMBNAILS），若需保留空格可调整replace逻辑。

内容的提问来源于stack exchange，提问作者Binsky