提取特定 XML 元素类型的子元素

Question

给定一个特定的 XML 元素（即特定的标记名称）和一段 XML 数据，我想从该元素的每次出现中提取子元素。更具体地说，我有以下（不太有效的）XML 数据片段：

<!-- data.xml -->

<instance ab=1 >
    <a1>aa</a1>
    <a2>aa</a2>
</instance>
<instance ab=2 >
    <b1>bb</b1>
    <b2>bb</b2>
</instance>
<instance ab=3 >
    <c1>cc</c1>
    <c2>cc</c2>
</instance>

我想要一个脚本或命令，它将这些数据作为输入并产生以下输出：

<a1>aa</a1><a2>aa</a2>
<b1>bb</b1><b2>bb</b2>
<c1>cc</c1><c2>cc</c2>

我希望解决方案使用标准文本处理工具，例如sed或awk。

我尝试使用以下sed命令，但没有奏效：

sed -n '/<Sample/,/<\/Sample/p' data.xml

Answer 1

如果您真的想要对 XML 文件进行sed- 或 -awk类似的命令行处理，那么您可能应该考虑使用 XML 处理命令行工具。以下是我见过的一些更常用的工具：

• xmlstarlet
• xmllint
• BaseX
• XQilla

您还应该知道有几种特定于 XML 的编程/查询语言：

• XPath
• 查询
• XSLT

请注意（为了成为有效的 XML）您的 XML 数据需要一个根节点并且您的属性值应该被引用，即您的数据文件应该看起来更像这样：

<!-- data.xml -->

<instances>

    <instance ab='1'>
        <a1>aa</a1>
        <a2>aa</a2>
    </instance>

    <instance ab='2'>
        <b1>bb</b1>
        <b2>bb</b2>
    </instance>

    <instance ab='3'>
        <c1>cc</c1>
        <c2>cc</c2>
    </instance>

</instances>

如果您的数据被格式化为有效的 XML，那么您可以使用XPath和xmlstarlet来通过一个非常简洁的命令来获得您想要的内容：

xmlstarlet sel -t -m '//instance' -c "./*" -n data.xml

这会产生以下输出：

<a1>aa</a1><a2>aa</a2>
<b1>bb</b1><b2>bb</b2>
<c1>cc</c1><c2>cc</c2>

或者你可以使用 Python（我个人最喜欢的选择）。这是一个完成相同任务的 Python 脚本：

<!-- data.xml -->

<instances>

    <instance ab='1'>
        <a1>aa</a1>
        <a2>aa</a2>
    </instance>

    <instance ab='2'>
        <b1>bb</b1>
        <b2>bb</b2>
    </instance>

    <instance ab='3'>
        <c1>cc</c1>
        <c2>cc</c2>
    </instance>

</instances>

以下是运行脚本的方法：

xmlstarlet sel -t -m '//instance' -c "./*" -n data.xml

这使用了Python 标准库中的xml 包，它也是一个严格的 XML 解析器。

如果您不关心正确格式化的 XML，而只想解析一个与您所提供的文件大致相似的文本文件，那么您绝对可以仅使用 shell 脚本和标准命令行工具来完成您想要的. 这是一个awk脚本（根据要求）：

<a1>aa</a1><a2>aa</a2>
<b1>bb</b1><b2>bb</b2>
<c1>cc</c1><c2>cc</c2>

要从文件执行脚本，您可以使用如下命令：

#!/usr/bin/env python2
# -*- encoding: ascii -*-
"""extract_instance_children.bash"""

import sys
import xml.etree.ElementTree

# Load the data
tree = xml.etree.ElementTree.parse(sys.argv[1])
root = tree.getroot()

# Extract and output the child elements
for instance in root.iter("instance"):
    print(''.join([xml.etree.ElementTree.tostring(child).strip() for child in instance]))

这是一个生成所需输出的 ​​Bash 脚本：

python extract_instance_children.py data.xml

你会像这样执行它：

#!/usr/bin/env awk

# extract_instance_children.awk

BEGIN {
    addchild=0;
    children="";
}

{
    # Opening tag for "instance" element - set the "addchild" flag
    if($0 ~ "^ *<instance[^<>]+>") {
        addchild=1;
    }

    # Closing tag for "instance" element - reset "children" string and "addchild" flag, print children
    else if($0 ~ "^ *</instance>" && addchild == 1) {
        addchild=0;
        printf("%s\n", children);
        children="";
    }

    # Concatenating child elements - strip whitespace
    else if (addchild == 1) {
        gsub(/^[ \t]+/,"",$0);
        gsub(/[ \t]+$/,"",$0);
        children=children $0;
    }
}

或者，再次回到 Python，您可以使用Beautiful Soup包。Beautiful Soup 在解析无效 XML 的能力方面比标准 Python XML 模块（以及我遇到的所有其他 XML 解析器）灵活得多。这是一个使用 Beautiful Soup 实现预期结果的 Python 脚本：

awk -f extract_instance_children.awk data.xml