You need to enable JavaScript to run this app. 使用Python拆分含非闭合<seq>标签的文本文件并生成结构化XML的实现方法
优惠活动
大模型
产品
解决方案
定价
更多

使用Python拆分含非闭合<seq>标签的文本文件并生成结构化XML的实现方法

基于非闭合<seq>标签拆分文本生成结构化XML的实现方案

原有实现代码的核心问题

你目前编写的代码存在三个明显的逻辑漏洞,无法满足实际需求:

  • 边界判断失效:当遍历到文件内最后一个<seq>段落时,查找下一个<seq>的结果为-1,会导致字符串切片误截掉段落末尾的内容
  • 输出格式不合规:直接把原段落文本写入文件,没有对非闭合标签做规范化封装,无法生成可被正常解析的合规XML
  • 功能缺失:没有逐标签提取内部文本值,达不到结构化存储的要求

落地实现思路

  • 预先扫描全文本,收集所有<seq>标签的起始位置,从根源上规避负索引的边界错误
  • 不依赖标准XML解析器(适配原<seq>非闭合的非标准语法),通过正则匹配逐段提取所有标签名与对应内部文本
  • 对提取的文本做XML特殊字符自动转义,按照结构化XML规范生成独立的单条记录文件

可直接运行的实现代码

import os
import re
from xml.etree.ElementTree import Element, ElementTree
from xml.sax.saxutils import escape

# 基础配置
INPUT_TXT_PATH = "1.txt"
OUTPUT_XML_DIR = "split_result"
# 自动创建输出目录
os.makedirs(OUTPUT_XML_DIR, exist_ok=True)

# 读取原文本全量内容
with open(INPUT_TXT_PATH, "r", encoding="utf-8") as f:
    full_content = f.read()

# 扫描所有<seq>标签的起始位置
seq_match_pos = [match.start() for match in re.finditer(r"<seq\b", full_content)]
if not seq_match_pos:
    raise RuntimeError("未在输入文件中检索到<seq>标签")

# 逐段拆分生成XML
for segment_idx, seg_start in enumerate(seq_match_pos):
    # 确定当前段落的结束位置:下一个seq起点,无后续seq则取文件末尾
    if segment_idx < len(seq_match_pos) - 1:
        seg_end = seq_match_pos[segment_idx + 1]
    else:
        seg_end = len(full_content)
    raw_segment = full_content[seg_start:seg_end].strip()

    # 提取段内所有标签名与对应文本(兼容无闭合标签语法)
    tag_content_list = re.findall(r"<(\w+?)>([^<]+)", raw_segment)
    
    # 构建合规XML节点
    xml_root = Element("record")
    for tag_name, raw_text in tag_content_list:
        clean_text = raw_text.strip()
        if not clean_text:
            continue
        child_node = Element(tag_name)
        # 自动转义XML特殊字符,保证语法合规
        child_node.text = escape(clean_text)
        xml_root.append(child_node)

    # 输出独立XML文件
    tree = ElementTree(xml_root)
    output_path = os.path.join(OUTPUT_XML_DIR, f"seq_record_{segment_idx + 1}.xml")
    tree.write(output_path, encoding="utf-8", xml_declaration=True)
    print(f"已生成结构化XML: {output_path}")

方案关键特性

  • 兼容性强:不依赖标准XML解析逻辑,完全适配原文件中<seq>非闭合的不规范语法,不需要提前修改原文件
  • 稳定性高:提前收集所有拆分位置,彻底解决原代码遍历到文件末尾时的索引错误
  • 合规性达标:自动处理XML中的特殊字符转义,自动生成符合语法要求的XML声明,生成的文件可直接被各类XML解析工具读取
  • 灵活性高:可根据实际需求调整XML根节点名称、文件命名规则,不需要改动核心拆分逻辑

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

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.22 07:24:01