如何使用pyspellchecker批量替换XML中OCR识别的法语拼写错误

• 直接删除了所有XML标签，丢失了原始TEI文件结构，输出结果不再是可用的XML
• 分词逻辑错误：用split(' ') 按两个空格拆分文本，无法正确拆分所有独立词汇，导致拼写检查模块无法识别到错误词
• 拼写修正逻辑错误：correct = spell.correction(word)中word是未定义变量，没有遍历所有错误单词生成对应修正映射；后续将所有错误词拼接为长字符串替换，完全无法匹配到文本中的单个错误词
• 文件读写逻辑混乱：用r+模式写入会在文件末尾追加内容，而非逐词替换原内容

这里提供保留原始XML结构的版本，仅修正标签内的文本内容，不破坏TEI格式：

import re
from spellchecker import SpellChecker

entry = "test.xml"
output = "test_out.xml"

# 初始化法语拼写检查器
spell = SpellChecker(language='fr')
# 专有名词白名单，避免拼写检查误判（可根据需求补充）
white_list = {"Confucius", "Y-king", "Chu-king", "Chi-king", "Ssée-chu", "Tchun-tfiou", "Lild", "Fo-hi", "Vifdeîau", "Chufcing"}

# 读取原始XML内容
with open(entry, 'r', encoding='utf-8') as f:
    raw_content = f.read()

# 匹配XML标签外的纯文本内容进行修正
def correct_text(match):
    text = match.group(0)
    # 拆分所有独立词汇，保留标点和空格格式
    words = re.findall(r"([a-zA-ZÀ-ÿ'-]+|\s+|[^\w\s])", text)
    corrected_words = []
    for word in words:
        stripped_word = word.strip().lower()
        # 跳过空格、标点、白名单内的专有名词
        if not stripped_word or not stripped_word.isalpha() or stripped_word in white_list:
            corrected_words.append(word)
            continue
        # 检查拼写并修正，保留原单词的大小写格式
        if spell.unknown([stripped_word]):
            corrected = spell.correction(stripped_word)
            if word.istitle():
                corrected = corrected.capitalize()
            elif word.isupper():
                corrected = corrected.upper()
            corrected_words.append(corrected)
        else:
            corrected_words.append(word)
    return ''.join(corrected_words)

# 只替换XML标签外的文本，保留所有标签结构
processed_content = re.sub(r'(?<=>)[^<]+(?=<)', correct_text, raw_content)

# 写入修正后的XML
with open(output, 'w', encoding='utf-8') as f:
    f.write(processed_content)

• 法语拼写检查器对古法语、专有名词的识别准确率有限，建议根据文件内容补充白名单，避免误修正
• 若不需要保留XML结构，仅需要修正后的纯文本，删除正则匹配标签的逻辑，直接对全文本分词修正即可

内容的提问来源于stack exchange，提问作者ljushu