使用 XSLT 3 和 SaxonC 自动识别并包装 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 python 的 `saxonche` 库），精准定位 xml `

` 标签内嵌套 `` 等子元素时的软件名称，并基于 json 提供的上下文与偏移信息，将其安全包裹在 `` 标签中，避免破坏原有结构。

在科研文献或技术文档的 XML 标注任务中，常需从混合内容（mixed content）的

段落中识别特定软件名称（如 MODELLER、PROSA），并为其添加语义化标签（如 ）。难点在于：这些名称往往夹杂在纯文本与内联子元素（如 、）之间，传统正则替换或简单 dom 遍历极易误伤结构或错位匹配。

推荐方案是采用 XSLT 3 + SaxonC —— 这一组合支持原生 jsON 解析、高阶迭代（xsl:iterate）、文本分析（analyze-String）及隧道参数（tunnel parameters），能完美应对“上下文驱动”的精准定位需求。

以下是一个可直接运行的完整流程：

✅ 步骤 1：安装依赖

pip install saxonche

✅ 步骤 2：准备 XSLT 脚本（wrap-software.xsl）

                                                                                                                                                                                                                                           {.}                     

? 说明：json-doc(‘software-mentions.json’) 会自动解析 JSON 文件；若需调试，也可将 JSON 内联为 […] 并改用 parse-json($json-data)。

✅ 步骤 3：python 调用示例

from saxonche import PySaxonProcessor  # 输入 XML 和 XSLT 路径 xml_file = "input.xml" xslt_file = "wrap-software.xsl"  with PySaxonProcessor() as proc:     xslt_proc = proc.new_xslt30_processor()     # 执行转换     output = xslt_proc.transform_to_string(         source_file=xml_file,         stylesheet_file=xslt_file     )     print(output)

⚠️ 注意事项

• 上下文匹配优先级：XSLT 先验证整个

  是否包含 context 字符串，再在匹配的文本节点中查找 normalizedForm，确保不跨句误包（例如避免将 MODEL 错包为 MODELLER 的子串）。

• 嵌套安全：xsl:iterate 逐个应用软件规则，且 mode=”process” 严格作用于 text() 节点，完全保留 、 等子元素结构。
• 大小写敏感：默认区分大小写；如需忽略，可将 contains() 替换为 matches(., concat(‘b’, $software?software-name?normalizedForm, ‘b’), ‘i’)。
• 性能提示：对于超大 XML，建议预筛选

  标签（如先用 lxml 提取含关键词的段落再交由 XSLT 处理）。

该方法以声明式逻辑替代脆弱的手动 DOM 操作，兼具准确性、可维护性与扩展性——未来新增软件只需更新 JSON，无需修改代码。