本文介绍如何利用 xslt 3 和 saxonc（通过 python 的 `saxonche` 库）对 xml 文档中嵌套在 `
` 标签内的软件名称进行语义化标注——仅在匹配 json 提供的上下文与精确文本位置时，将软件名（如 modeller）包裹进 `
在科研文献 XML 处理场景中，常需从富文本段落（如 <p>）中精准识别并标注软件工具名称（如 MODELLER、PROSA），但难点在于：这些名称往往夹杂在带有 <ref>、<em> 等内联标签的混合内容中，无法直接用正则或简单字符串替换；同时，标注必须严格依据预提取的结构化证据（如 JSON 中的 context 字段和 normalizedForm），确保语义准确、避免误包。
推荐方案是采用 XSLT 3 + SaxonC ——它原生支持 JSON 解析、高阶函数、analyze-string() 正则分词及隧道参数（tunnel parameters），能优雅解决“上下文匹配 → 文本定位 → 安全包裹”这一完整链路。
✅ 核心思路
- 上下文驱动匹配：遍历 JSON 中每个 "type": "software" 条目，检查其 context 是否完整出现在当前 <p> 元素的扁平化文本内容中（即忽略所有子标签，只比对可见文本）；
- 安全文本注入：一旦上下文匹配成功，进入 process 模式，仅对 <p> 内部的纯文本节点（text()）应用逻辑；
-
精准定位与包裹：对每个文本节点，先验证其是否同时满足：
- 包含该软件的 context（保证语境一致性）；
- 包含其 normalizedForm（如 "MODELLER"）；
- 再调用 analyze-string(., $pattern) 进行正则匹配，确保仅包装字面完全一致的出现，避免子串误匹配（如 "MOD" 不会匹配 "MODELLER"）；
- 零破坏 DOM 结构：所有 <ref>、<em> 等原有子元素保持原位，仅修改目标文本节点为 <software>MODELLER</software>，尾部文本（tail）自动继承。
? 示例 XSLT 片段（关键逻辑）
<xsl:template mode="process" match="p//text()">
<xsl:param name="software" tunnel="yes" as="map(*)"/>
<xsl:choose>
<!-- 仅当当前文本既属于该 context，又包含软件名时才处理 -->
<xsl:when test="contains($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/> <!-- 原样保留其他文本 -->
</xsl:otherwise>
</xsl:choose>
</xsl:template>
<xsl:template mode="wrap" match="*:match">
<software><xsl:value-of select="."/></software>
</xsl:template>⚙️ Python 调用示例（使用 saxonche）
from saxonche import PySaxonProcessor
proc = PySaxonProcessor(license=False)
xslt = proc.new_xslt30_processor()
xml_file = "input.xml"
json_file = "software_mentions.json"
# 编译并执行转换
executable = xslt.compile_stylesheet(stylesheet_file="wrap-software.xsl")
output = executable.transform_to_string(
source_file=xml_file,
params={"json-doc": f"json-doc('{json_file}')"}
)
print(output)? 注意事项 必须使用 SaxonC 12+（saxonche），因仅此版本完整支持 json-doc()、analyze-string() 及 map 类型； JSON 中的 context 字段需与 XML 实际渲染文本完全一致（包括空格、标点、括号格式），建议预处理统一规范化； 若存在多个重叠软件名（如 "R" 和 "RStudio"），应按长度降序排序 JSON 条目，避免短名优先匹配导致长名截断； 对于大小写敏感场景，可在 analyze-string() 中添加 flags="i" 并配合 upper-case() 统一比较。
该方法摒弃了易出错的手动 DOM 遍历与字符串拼接，以声明式、可验证、可复用的 XSLT 逻辑实现高精度语义标注，特别适合构建学术文献知识图谱、软件实体链接等 NLP 前处理流水线。
