如何用Python提取SDLXLIFF文件段属性并构建指定字典？

我用Python读取SDLXLIFF格式文件（XLIFF变体），这类文件包含源文件副本和带翻译单元的body，翻译单元有source和target文本（称为segments）。想要生成如下格式的字典：

{1: ["人口は江戸末期まで概ね3000万人台で安定していたが。","At the end of the Edo period the population was stable at roughly 30 million people.","true"]}

其中键是seg-defs部分的segment id属性，值是对应mid匹配的seg-source文本、target文本，以及seg-defs中locked属性组成的三元列表。

我的实现思路：

• 遍历seg-defs中的段元素
• 获取段的id和locked属性
• 查找seg-source中mid与id匹配的mrk元素，提取源文本
• 查找target中mid与id匹配的mrk元素，提取目标文本
• 以id为键，将三元列表作为值存入字典

遇到的问题：

1. 无法遍历seg-defs中的元素并提取id和locked属性
2. 拿到id后，不知道怎么筛选出mid匹配的mrk元素（比如id为1对应<mrk mtype="seg" mid="1">）

当前代码只能提取源和目标文本：

from lxml import etree
my_file = "example.sdlxliff"
f_xliff  = open(my_file, encoding='utf-8', mode='r')
xliff_input = ''.join(f_xliff.readlines())   
tree = etree.fromstring(xliff_input)

ns_map = dict()
ns_map['x'] = tree.nsmap[None]

for source, target in zip(tree.xpath('//x:seg-source//x:mrk', namespaces=ns_map), tree.xpath('//x:target//x:mrk', namespaces=ns_map)):
    print(source.text + " --- " + target.text + "\n")

seg的id和locked状态在文件中的位置：

<sdl:seg-defs>
    <sdl:seg id="1" locked="true" conf="Translated" origin="interactive">

核心是处理SDLXLIFF的命名空间，以及通过XPath精准匹配元素。以下是高效且符合Python风格的实现：

from lxml import etree

def parse_sdlxliff(file_path):
    # 读取并解析SDLXLIFF文件
    tree = etree.parse(file_path)
    # 提取所有命名空间，兼容不同文件的前缀定义
    ns_map = {}
    for prefix, uri in tree.getroot().nsmap.items():
        ns_map[prefix or 'default'] = uri
    # 确保sdl命名空间被正确映射（部分文件可能自动省略前缀）
    ns_map['sdl'] = ns_map.get('sdl', 'http://sdl.com/FileTypes/SdlXliff/1.0')
    
    translation_dict = {}
    
    # 遍历seg-defs下的所有seg元素
    for seg in tree.xpath('//sdl:seg-defs/sdl:seg', namespaces=ns_map):
        seg_id = int(seg.get('id'))
        locked_status = seg.get('locked', 'false')
        
        # 精准匹配对应mid的源文本mrk元素
        source_mrk = tree.xpath(f'//default:seg-source/default:mrk[@mid="{seg_id}"]', namespaces=ns_map)
        source_text = source_mrk[0].text.strip() if source_mrk else ''
        
        # 精准匹配对应mid的目标文本mrk元素
        target_mrk = tree.xpath(f'//default:target/default:mrk[@mid="{seg_id}"]', namespaces=ns_map)
        target_text = target_mrk[0].text.strip() if target_mrk else ''
        
        # 存入字典
        translation_dict[seg_id] = [source_text, target_text, locked_status]
    
    return translation_dict

# 使用示例
if __name__ == "__main__":
    result = parse_sdlxliff("example.sdlxliff")
    print(result)

关键说明 #

1. 命名空间处理：SDLXLIFF包含默认命名空间和sdl命名空间，必须在XPath中正确指定，否则无法定位到目标元素。
2. 精准匹配：通过@mid="{seg_id}"的XPath条件，直接关联seg的id和mrk的mid，避免了顺序匹配可能出现的错位问题。
3. 健壮性优化：用if source_mrk else ''处理元素不存在的情况，避免索引越界错误。
4. 类型转换：将seg的id转为整数，符合你期望的字典键类型。

内容的提问来源于stack exchange，提问作者SlowLearner