XSLT结合following-sibling与递归模板实现XML语料分句抓取

不需要编写复杂的递归模板，针对你当前的XSLT 2.0版本，使用内置的相邻节点分组能力就能直接实现全文档分句，同时一次性解决现有代码的两个缺陷。

现有代码的问题根因 #

• 仅输出第一句内容：你当前使用的XPath表达式//w[not(contains(./forme, '.'))][following-sibling::*[1][contains(./forme, '.')]]本质是筛选“下一个相邻节点是句末句号”的单词节点，既无法抓取长句子中离句号较远的单词，也没有对多句边界做批量遍历，实际只能匹配到每句中倒数第二个单词节点，根本覆盖不了完整句子范围。
• 缺失句末带.的节点：你的XPath通过not(contains(./forme, '.'))直接过滤掉了所有带句号的节点，自然无法把句末的标点节点纳入结果。

适配语料结构的实现方案 #

你的语料结构是根节点<cordial2xml>下连续排布平级的<w>节点，分句的核心判断规则非常明确：只要<w>节点的<forme>值为.，就是当前句子的结束边界；从文档起始位置、上一个句末边界之后，到当前句末节点为止的所有连续<w>，共同组成一个完整句子。
这类连续序列切分场景，用XSLT 2.0的for-each-group做相邻分组是最简洁、学习成本最低的方案，不需要手写递归逻辑：

• 以“节点前面出现过的句末句号累计数量”作为分组键，自然把所有连续的同句子节点归到同一组
• 分组过程会自动把带.的句末节点纳入所属句子的组内，不会遗漏
• 可以一次性遍历文档所有<w>节点，不存在只处理第一句的问题

可直接运行的修正版XSLT代码 #

<xsl:stylesheet version="2.0" 
  xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
  <xsl:output method="html" encoding="utf-8" indent="yes"/>
  
  <xsl:template match="/">
    <xsl:text disable-output-escaping='yes'>&lt;!DOCTYPE html&gt;</xsl:text>
    <html>
      <head>
        <title>分句结果</title>
      </head>
      <body>
        <h1>Poème du Père Duchesne</h1>
        <!-- 以句末累计计数为键，对所有w节点做相邻分组 -->
        <xsl:for-each-group select="cordial2xml/w" 
                            group-adjacent="count(preceding-sibling::w[normalize-space(forme) = '.'])">
          <!-- 每一个分组对应一个完整句子，单独包裹为段落 -->
          <p class="sentence">
            <!-- 遍历组内所有w节点，拼接词形，同时保留词元、词性信息 -->
            <xsl:for-each select="current-group()">
              <span class="word">
                <xsl:value-of select="forme"/>
                <!-- NLP语料扩展输出：需要保留标注时打开下方注释 -->
                <!-- 
                <small>
                  （lemme: <xsl:value-of select="lemme"/>, 
                  categorie: <xsl:value-of select="categorie"/>）
                </small>
                -->
              </span>
              <xsl:if test="position() != last()">
                <xsl:text xml:space="preserve"> </xsl:text>
              </xsl:if>
            </xsl:for-each>
          </p>
        </xsl:for-each-group>
      </body>
    </html>
  </xsl:template>
</xsl:stylesheet>

补充说明 #

如果后续需要适配更复杂的句末边界规则（比如把!、?也作为句末标记），只需要修改分组键里的判断条件normalize-space(forme) = '.'为('.', '!', '?')[. = normalize-space(forme)]即可，不需要重写整体逻辑。
手写递归模板本质是手动维护游标位置、逐节点判断边界的过程，对于仅学习一周XSLT的开发者来说，调试成本高、容易出现边界判断错误，不推荐作为优先实现方案。

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