如何使用Python对含混合内容的XML文档进行合规分段？

混合内容XML分段的实现方案 #

方案1：优化lxml实现逻辑（推荐已有lxml代码的场景） #

核心思路是把「断点识别」和「分段打包」拆成两个独立步骤，避免直接处理跨节点边界的文本索引歧义：

1. 断点标记阶段
   递归遍历整个DOM树，只对每个独立的文本节点做处理：
   • 用正则匹配文本内的合法句子边界（句号、问号、感叹号+后续空格/制表符/段落结束符等）
   • 在每个断点位置把文本节点拆成两个独立文本节点，中间插入一个临时的<break/>空标签（该标签仅用于标记位置，不会出现在最终结果中）
   • 该阶段完全不修改原有元素的层级和嵌套关系，天然避免了断点跨元素结构的问题
2. 分段打包阶段
   对所有包含混合内容的父节点（比如<par>、<x>等），在其直接子节点范围内做处理：
   • 以节点起始位置、<break/>位置、节点结束位置作为分段边界
   • 把相邻两个边界之间的所有直接子节点（文本节点、格式标签等）整体包裹进<seg>标签
   • 最后删除所有临时的<break/>标签即可
     该步骤的所有操作都在同一父节点的直接子节点层级完成，不会出现跨层级标签操作的问题，完全符合结构冲突规则。

方案2：用XSLT 2.0/3.0实现（代码更简洁，适合批量处理场景） #

XSLT原生支持混合内容的结构化转换，不需要手动操作DOM节点的text/tail属性，核心代码逻辑如下：

<xsl:template match="par|x"> <!-- 匹配所有需要分段的混合内容元素 -->
  <xsl:copy>
    <xsl:apply-templates select="@*"/>
    <xsl:variable name="content">
      <xsl:apply-templates select="node()" mode="mark-breaks"/>
    </xsl:variable>
    <!-- 对标记了断点的内容分组打包成seg -->
    <xsl:for-each-group select="$content/node()" group-starting-with="break">
      <seg>
        <xsl:apply-templates select="current-group()[not(self::break)]"/>
      </seg>
    </xsl:for-each-group>
  </xsl:copy>
</xsl:template>

<xsl:template match="text()" mode="mark-breaks">
  <!-- 用正则匹配句子边界，插入break标记 -->
  <xsl:analyze-string select="." regex="([。？！\.\?])(\s+|$)">
    <xsl:matching-substring>
      <xsl:value-of select="regex-group(1)"/>
      <break/>
      <xsl:value-of select="regex-group(2)"/>
    </xsl:matching-substring>
    <xsl:non-matching-substring>
      <xsl:value-of select="."/>
    </xsl:non-matching-substring>
  </xsl:analyze-string>
</xsl:template>

该方案可以直接适配所有嵌套的混合内容场景，自动满足「断点不能跨结构」的要求，批量处理大量XML文档时效率更高。

额外注意事项 #

• 可以提前优化边界正则规则，排除英文缩写（如Mr.、Dr.）、小数点等非句子结束的断点，减少误分段
• 若需要保留原有空白字符，处理文本节点时不要做额外的trim操作

内容的提问来源于stack exchange，提问作者Monkimo