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 <ref>）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
- 加载 JSON 软件词典：通过 json-doc('software.json') 将 JSON 数据解析为 XPath map 序列；
- 上下文匹配优先：对每个 <p>，遍历所有软件条目，仅当其 context 字符串完整出现在该 <p> 的扁平化文本内容中时，才触发处理；
- 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 <ref> 等子元素；
- 保留原始结构：全程使用 shallow-copy 模式，确保未匹配部分（如 <ref> 标签及其属性、内容）原样输出。
✅ 示例 XSLT 代码（精简可部署版）
<?xml version="1.0" encoding="utf-8"?>
<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
version="3.0"
xmlns:xs="http://www.w3.org/2001/XMLSchema"
exclude-result-prefixes="#all"
expand-text="yes">
<!-- 主模板：逐个处理 p 元素 -->
<xsl:template match="p">
<xsl:iterate select="$json-doc?*[?type = 'software']">
<xsl:param name="p" select="."/>
<xsl:on-completion select="$p"/>
<!-- 仅当 context 完整出现在当前 p 的文本中才处理 -->
<xsl:if test="contains(string-join($p//text(), ''), ?context)">
<xsl:variable name="transformed-p" as="element(p)">
<xsl:apply-templates select="$p" mode="process">
<xsl:with-param name="software" select="." tunnel="yes"/>
</xsl:apply-templates>
</xsl:variable>
<xsl:next-iteration>
<xsl:with-param name="p" select="$transformed-p"/>
</xsl:next-iteration>
</xsl:if>
</xsl:iterate>
</xsl:template>
<!-- process 模式：仅处理文本节点 -->
<xsl:mode name="process" on-no-match="shallow-copy"/>
<xsl:template mode="process" match="p//text()">
<xsl:param name="software" tunnel="yes" as="map(*)"/>
<xsl:choose>
<!-- 双重校验：文本需同时包含 context 和 normalizedForm -->
<xsl:when test="contains($software?context, .) and contains(., $software?software-name?normalizedForm)">
<xsl:apply-templates select="analyze-string(., $software?software-name?normalizedForm)" mode="wrap"/>
</xsl:when>
<xsl:otherwise>
<xsl:next-match/>
</xsl:otherwise>
</xsl:choose>
</xsl:template>
<!-- wrap 模式：将匹配到的字符串包裹为 <software> -->
<xsl:template mode="wrap" match="*:match">
<software><xsl:value-of select="."/></software>
</xsl:template>
<!-- 默认浅拷贝，确保 ref 等子元素不被破坏 -->
<xsl:mode on-no-match="shallow-copy"/>
<xsl:output method="xml" indent="no"/>
<!-- 加载外部 JSON 文件（或内联） -->
<xsl:param name="json-doc" select="json-doc('software.json')"/>
</xsl:stylesheet>✅ 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 <p> 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 <p> 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。
