使用 XSLT 3 和 SaxonC 自动识别并标注 XML 中的软件名称

本文介绍如何利用 xslt 3 的高级文本处理能力（配合 `saxonche` python 库），基于预定义的 json 软件实体数据，精准定位并包裹 xml `

` 标签内嵌套子元素（如 ``）文本中的软件名称，生成语义化标记 ``。

在科学文献或技术文档的 XML 结构中，软件名称常混杂于包含引用标签（如 ）的段落文本中，直接使用正则替换或简单 dom 遍历极易破坏原有结构或误匹配。传统 XML 解析器（如 xml.etree.ElementTree 或 lxml）难以在保留子元素位置的同时，精确依据上下文（context）和字符偏移（offset）对纯文本片段进行语义化标注——这正是 XSLT 3 的优势所在。

XSLT 3 提供了 analyze-String、json-doc()、tunnel 参数、mode 多模式处理等强大特性，使其成为处理此类“结构+语义”混合任务的理想工具。以下是一个完整、可运行的解决方案：

✅ 核心思路

1. 加载 jsON 软件词典：通过 json-doc(‘software.json’) 将 JSON 数据解析为 XPath map 序列；
2. 上下文匹配优先：对每个

   ，遍历所有软件条目，仅当其 context 字符串完整出现在该

   的扁平化文本内容中时，才触发处理；

3. 精准文本包裹：进入 process 模式后，仅对匹配 context 的文本节点（p//text()）应用 analyze-string，用正则安全地定位并替换软件名（如 MODELLER），避免影响 等子元素；
4. 保留原始结构：全程使用 shallow-copy 模式，确保未匹配部分（如 标签及其属性、内容）原样输出。

✅ 示例 XSLT 代码（精简可部署版）

✅ python 调用示例（使用 saxonche）

from saxonche import PySaxonProcessor  # 初始化处理器 with PySaxonProcessor(license=False) as proc:     xsltproc = proc.new_xslt30_processor()      # 编译样式表     xslt = xsltproc.compile_stylesheet(stylesheet_file="wrap-software.xsl")      # 执行转换     result = xslt.transform_to_string(source_file="input.xml")     print(result)

⚠️ 注意事项

• JSON 路径必须正确：确保 software.json 与 XSLT 文件路径一致，或改用绝对路径；
• 大小写敏感：normalizedForm 值需与原文完全一致（如 MODELLER ≠ modeller），建议在 JSON 构建阶段统一标准化；
• 性能优化：若 XML 文档极大，可先用 XPath 提取所有

  节点再批量处理，避免重复遍历；

• 多软件共存：当前逻辑支持同一

  中多次迭代匹配多个软件（如 MODELLER 和 PROSA），但需确保 context 不相互重叠干扰；

• 边界情况：若软件名是其他单词子串（如 MOD 出现在 MODEL 中），建议在 analyze-string 中使用单词边界正则（如 b{normalizedForm}b），需配合 flags=”x” 使用。

该方案兼顾准确性、可维护性与标准兼容性，无需手动解析 XML 树或拼接字符串，真正实现“语义驱动”的结构化标注。