如何用XSLT拆分嵌套XML生成带ID的双表？附实现疑问

一、XSLT是否是最优方案？ #

对于100+MB的XML文件，XSLT配合lxml是可行的——lxml的XSLT引擎效率足够处理这个量级的文件，且XML结构转换逻辑清晰、易维护。如果现有代码已基于lxml，继续用XSLT是低成本的选择。若后续有复杂业务逻辑，Python原生流式解析（如iterparse）也可替代，但XSLT在结构化转换场景下更简洁。

二、XSLT实现：生成患者+肿瘤表格（带唯一ID） #

假设你的NaaccrData简化结构如下：

<NaaccrData>
  <Patient>
    <PatientId>原患者ID</PatientId>
    <Name>张三</Name>
    <Tumor>
      <Site>肺癌</Site>
      <Stage>I</Stage>
    </Tumor>
    <Tumor>
      <Site>胃癌</Site>
      <Stage>II</Stage>
    </Tumor>
  </Patient>
  <!-- 更多Patient节点 -->
</NaaccrData>

1. 生成患者表格（带唯一序列ID） #

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
  <xsl:output method="text" encoding="UTF-8"/>
  
  <xsl:template match="/NaaccrData">
    <!-- 输出CSV表头 -->
    <xsl:text>PatientUniqueId,OriginalPatientId,Name&#10;</xsl:text>
    <xsl:apply-templates select="Patient"/>
  </xsl:template>
  
  <xsl:template match="Patient">
    <!-- 用节点全局位置作为患者唯一ID -->
    <xsl:value-of select="position()"/>
    <xsl:text>,</xsl:text>
    <xsl:value-of select="PatientId"/>
    <xsl:text>,</xsl:text>
    <xsl:value-of select="Name"/>
    <xsl:text>&#10;</xsl:text>
  </xsl:template>
</xsl:stylesheet>

2. 生成肿瘤表格（带关联患者ID和自身唯一ID） #

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
  <xsl:output method="text" encoding="UTF-8"/>
  
  <xsl:template match="/NaaccrData">
    <xsl:text>TumorUniqueId,PatientUniqueId,Site,Stage&#10;</xsl:text>
    <xsl:apply-templates select="Patient/Tumor"/>
  </xsl:template>
  
  <xsl:template match="Tumor">
    <!-- 肿瘤全局唯一ID -->
    <xsl:value-of select="position()"/>
    <xsl:text>,</xsl:text>
    <!-- 关联的患者唯一ID（父节点Patient的全局位置） -->
    <xsl:value-of select="count(preceding::Patient) + 1"/>
    <xsl:text>,</xsl:text>
    <xsl:value-of select="Site"/>
    <xsl:text>,</xsl:text>
    <xsl:value-of select="Stage"/>
    <xsl:text>&#10;</xsl:text>
  </xsl:template>
</xsl:stylesheet>

三、Python lxml处理流程 #

方式1：XSLT转换生成两个CSV #

from lxml import etree

# 加载XML文件（lxml支持100MB级文件的内存加载）
xml_tree = etree.parse("naaccr_data.xml")

# 生成患者CSV
patient_xslt = etree.XSLT(etree.parse("patient_transform.xsl"))
with open("patients.csv", "w", encoding="utf-8") as f:
    f.write(str(patient_xslt(xml_tree)))

# 生成肿瘤CSV
tumor_xslt = etree.XSLT(etree.parse("tumor_transform.xsl"))
with open("tumors.csv", "w", encoding="utf-8") as f:
    f.write(str(tumor_xslt(xml_tree)))

方式2：流式解析（超大型文件更省内存） #

如果文件超过500MB，用iterparse逐节点处理，避免一次性加载整个XML：

import csv

# 初始化CSV写入器
with open("patients.csv", "w", encoding="utf-8", newline="") as p_file, \
     open("tumors.csv", "w", encoding="utf-8", newline="") as t_file:
    p_writer = csv.writer(p_file)
    t_writer = csv.writer(t_file)
    
    # 写入表头
    p_writer.writerow(["PatientUniqueId", "OriginalPatientId", "Name"])
    t_writer.writerow(["TumorUniqueId", "PatientUniqueId", "Site", "Stage"])
    
    patient_id = 1
    tumor_global_id = 1
    
    # 流式遍历Patient节点
    for event, elem in etree.iterparse("naaccr_data.xml", tag="Patient"):
        # 写入患者数据
        p_writer.writerow([
            patient_id,
            elem.findtext("PatientId", ""),
            elem.findtext("Name", "")
        ])
        
        # 写入当前患者的肿瘤数据
        for tumor in elem.findall("Tumor"):
            t_writer.writerow([
                tumor_global_id,
                patient_id,
                tumor.findtext("Site", ""),
                tumor.findtext("Stage", "")
            ])
            tumor_global_id += 1
        
        elem.clear()  # 释放节点内存
        patient_id += 1

四、关键注意事项 #

• 序列ID规则：若需跨会话保持唯一，可替换为UUID，但按需求优先用自增数字即可。
• CSV转义：务必用csv库处理字段中的逗号、换行符，避免手动拼接文本导致格式错误。
• 内存优化：流式解析适合超大型文件，XSLT方式更适合逻辑清晰的结构化转换场景。

内容的提问来源于stack exchange，提问作者wibeasley