2

我从 XML::Twig 遇到了我无法理解的最奇怪的行为。

我有一个如下所示的 XML（但要大得多，大约 500 MB）

<?xml version="1.0" encoding="utf-16"?>
<!DOCTYPE tmx SYSTEM "tmx14.dtd">
<tmx version="1.4">
<header creationtool="MemoQ" creationtoolversion="6.2.21" segtype="sentence" adminlang="en-us" creationid="" srclang="pt-pt" o-tmf="MemoQTM" datatype="unknown">
 <prop type="defclient"> </prop>
 <prop type="defproject"> </prop>
 <prop type="defdomain"> </prop>
 <prop type="defsubject"> </prop>
 <prop type="description"> </prop>
 <prop type="targetlang">it</prop>
 <prop type="name">pt_PT-it_IT</prop>
</header>
<body>

  <tu changedate="20120625T175037Z" changeid="ana">
    <prop type="client"> </prop>
    <prop type="project"> </prop>
    <prop type="domain"> </prop>
    <prop type="subject"> </prop>
    <prop type="corrected">no</prop>
    <prop type="aligned">yes</prop>
    <tuv xml:lang="pt-pt">
      <prop type="x-context-pre">&lt;seg&gt;O recinto do Pavilhão Atlântico, versátil por natureza, está vocacionado para receber os mais variados eventos.&lt;/seg&gt;</prop>
      <prop type="x-context-post">&lt;seg&gt;A Sala Atlântico, com uma arena de 5 200 m2, abriga, com uma versatilidade única, todo o tipo de eventos.&lt;/seg&gt;</prop>
      <seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.</seg>
    </tuv>
    <tuv xml:lang="it">
      <seg>È composto da tre aree fra di esse integrate, le quali sono tutte facilmente adattabili alle caratteristiche specifiche di ogni evento.</seg>
    </tuv>
  </tu>


 <tu changedate="20130625T175037Z" changeid="ana">
    <prop type="client"> </prop>
    <prop type="project"> </prop>
    <prop type="domain"> </prop>
    <prop type="subject"> </prop>
    <prop type="corrected">no</prop>
    <prop type="aligned">yes</prop>
    <tuv xml:lang="pt-pt">
      <prop type="x-context-post">&lt;seg&gt;Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg&gt;</prop>
      <seg>O recinto do Pavilhão Atlântico, versátil por natureza, está vocacionado para receber os mais variados eventos.</seg>
    </tuv>
    <tuv xml:lang="it">
      <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
    </tuv>
  </tu>


   <tu changedate="20140625T175037Z" changeid="ana">
    <prop type="client"> </prop>
    <prop type="project"> </prop>
    <prop type="domain"> </prop>
    <prop type="subject"> </prop>
    <prop type="corrected">no</prop>
    <prop type="aligned">yes</prop>
    <tuv xml:lang="pt-pt">
      <prop type="x-context-post">&lt;seg&gt;Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg&gt;</prop>
      <seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.</seg>
    </tuv>
    <tuv xml:lang="it">
      <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
    </tuv>
  </tu>
     <tu changedate="20140625T175037Z" changeid="ana">
    <prop type="client"> </prop>
    <prop type="project"> </prop>
    <prop type="domain"> </prop>
    <prop type="subject"> </prop>
    <prop type="corrected">no</prop>
    <prop type="aligned">yes</prop>
    <tuv xml:lang="pt-pt">
      <prop type="x-context-post">&lt;seg&gt;Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg&gt;</prop>
      <seg>Teste</seg>
    </tuv>
    <tuv xml:lang="it">
      <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
    </tuv>
  </tu>
   <tu changedate="20110625T175037Z" changeid="ana">
    <prop type="client"> </prop>
    <prop type="project"> </prop>
    <prop type="domain"> </prop>
    <prop type="subject"> </prop>
    <prop type="corrected">no</prop>
    <prop type="aligned">yes</prop>
    <tuv xml:lang="pt-pt">
      <prop type="x-context-post">&lt;seg&gt;Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg&gt;</prop>
      <seg>Teste</seg>
    </tuv>
    <tuv xml:lang="it">
      <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
    </tuv>
  </tu>
  </body>
</tmx>

以下代码通过文档两次：首先它生成一个哈希，将每个“seg”与最近的“changedate”属性相关联，然后滚动文档，只打印最近的“tu” （没有比散列的更小的“更改日期”）。这是代码：

use 5.010;
use strict;
use warnings;
use XML::Twig;

my $filename = 'pt_PT-it_IT-novo2.tmx';
my $out_filename = 'out.tmx';
open my $out, '>', $out_filename;
binmode $out, ':encoding(UTF-8)';


print "PASSAGE 1...\n";

my $first_pass = new XML::Twig (twig_handlers => {tu => \&first_pass});
$first_pass->parsefile($filename);
$first_pass->purge();
print "DONE\n";


print "\nPASSAGE 2....\n";
my $second_pass = new XML::Twig (#twig_roots => { 'tu' => 1 },
                #twig_print_outside_roots => 1,
            pretty_print => 'indented',
            twig_handlers => {tu => \&second_pass});
$second_pass->parsefile($filename);

close $out;
print "\nDONE\n";

{my %hash;
sub first_pass {
    my($twig, $tu) = @_;
    my $seg = $tu->first_child('tuv')->first_child('seg')->text;
    my $changedate = $tu->att('changedate');
    if (
    (!(exists($hash{$seg})) )
        || (($hash{$seg}) lt $changedate)
    ) {
        $hash{$seg} = $changedate;
    }
    $twig->purge();
}   



sub second_pass {
    my($twig, $tu) = @_;
    #print $original_tu->text;
    my $seg = $tu->first_child('tuv')->first_child('seg')->text;

    my $changedate = $tu->att('changedate');
    #$changedate = substr $changedate, 0, 8;
    #my $hash = md5($seg);
    if (!(($hash{$seg}) eq $changedate)) {
            print "================================\n";
                print "NOT PRINTED\n";
                print $seg;
                print "\n BECAUSE DATE: ";
            print $changedate;
            print " IS OLDER THAN FOUND IN PASS ONE: ";
            print $hash{$seg};
            print "\n=================================\n";
            $twig->purge;   

        }
else {
    $twig->print($out);
    $twig->purge;
}
#$twig->flush($out);
}
}

在上面的示例中运行上面的代码时得到的结果是：

   <?xml version="1.0" encoding="utf-16"?>
<!DOCTYPE tmx SYSTEM "tmx14.dtd">
<tmx version="1.4">
  <body>
    <tu changedate="20130625T175037Z" changeid="ana">
      <prop type="client"> </prop>
      <prop type="project"> </prop>
      <prop type="domain"> </prop>
      <prop type="subject"> </prop>
      <prop type="corrected">no</prop>
      <prop type="aligned">yes</prop>
      <tuv xml:lang="pt-pt">
        <prop type="x-context-post">&lt;seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg></prop>
        <seg>O recinto do Pavilhão Atlântico, versátil por natureza, está vocacionado para receber os mais variados eventos.</seg>
      </tuv>
      <tuv xml:lang="it">
        <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
      </tuv>
    </tu>
  </body>
</tmx>
<?xml version="1.0" encoding="utf-16"?>
<!DOCTYPE tmx SYSTEM "tmx14.dtd">
<tmx version="1.4">
  <body>
    <tu changedate="20140625T175037Z" changeid="ana">
      <prop type="client"> </prop>
      <prop type="project"> </prop>
      <prop type="domain"> </prop>
      <prop type="subject"> </prop>
      <prop type="corrected">no</prop>
      <prop type="aligned">yes</prop>
      <tuv xml:lang="pt-pt">
        <prop type="x-context-post">&lt;seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg></prop>
        <seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.</seg>
      </tuv>
      <tuv xml:lang="it">
        <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
      </tuv>
    </tu>
  </body>
</tmx>
<?xml version="1.0" encoding="utf-16"?>
<!DOCTYPE tmx SYSTEM "tmx14.dtd">
<tmx version="1.4">
  <body>
    <tu changedate="20140625T175037Z" changeid="ana">
      <prop type="client"> </prop>
      <prop type="project"> </prop>
      <prop type="domain"> </prop>
      <prop type="subject"> </prop>
      <prop type="corrected">no</prop>
      <prop type="aligned">yes</prop>
      <tuv xml:lang="pt-pt">
        <prop type="x-context-post">&lt;seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg></prop>
        <seg>Teste</seg>
      </tuv>
      <tuv xml:lang="it">
        <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
      </tuv>
    </tu>
 </body>
</tmx>

如您所见，在每个删除的“tu”（“body”和“tmx”）以及整个 xml 文档的左括号之后，我得到了“tu”标签的括号。

有谁知道我该如何解决这个问题？

非常感谢您的帮助，无论它多么小！

编辑：可选，我尝试做

if (!(($hash{$seg}) eq $changedate)) {
        print "================================\n";
            print "APAGADO\n";
            print $seg;
            print "\n POIS DATA DE ORIGINAL: ";
            print $changedate;
            print " E MAIS ANTIGA QUE ENCONTRADA: ";
            print $hash{$seg};
            print "\n=================================\n";
            $tu->delete;
}
$twig->flush($out);

但后来我明白了：

<?xml version="1.0" encoding="utf-16"?>
<!DOCTYPE tmx SYSTEM "tmx14.dtd">
<tmx version="1.4">
  <header adminlang="en-us" creationid="" creationtool="MemoQ" creationtoolversion="6.2.21" datatype="unknown" o-tmf="MemoQTM" segtype="sentence" srclang="pt-pt">
    <prop type="defclient"> </prop>
    <prop type="defproject"> </prop>
    <prop type="defdomain"> </prop>
    <prop type="defsubject"> </prop>
    <prop type="description"> </prop>
    <prop type="targetlang">it</prop>
    <prop type="name">pt_PT-it_IT</prop>
  </header>
  <body></body>
</tmx>
<?xml version="1.0" encoding="utf-16"?>
<!DOCTYPE tmx SYSTEM "tmx14.dtd">
<tmx version="1.4">
  <header adminlang="en-us" creationid="" creationtool="MemoQ" creationtoolversion="6.2.21" datatype="unknown" o-tmf="MemoQTM" segtype="sentence" srclang="pt-pt">
    <prop type="defclient"> </prop>
    <prop type="defproject"> </prop>
    <prop type="defdomain"> </prop>
    <prop type="defsubject"> </prop>
    <prop type="description"> </prop>
    <prop type="targetlang">it</prop>
    <prop type="name">pt_PT-it_IT</prop>
  </header>
  <body>
    <tu changedate="20130625T175037Z" changeid="ana">
      <prop type="client"> </prop>
      <prop type="project"> </prop>
      <prop type="domain"> </prop>
      <prop type="subject"> </prop>
      <prop type="corrected">no</prop>
      <prop type="aligned">yes</prop>
      <tuv xml:lang="pt-pt">
        <prop type="x-context-post">&lt;seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg></prop>
        <seg>O recinto do Pavilhão Atlântico, versátil por natureza, está vocacionado para receber os mais variados eventos.</seg>
      </tuv>
       <tuv xml:lang="it">
        <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
      </tuv>
    </tu>
    <tu changedate="20140625T175037Z" changeid="ana">
      <prop type="client"> </prop>
      <prop type="project"> </prop>
      <prop type="domain"> </prop>
      <prop type="subject"> </prop>
      <prop type="corrected">no</prop>
      <prop type="aligned">yes</prop>
      <tuv xml:lang="pt-pt">
        <prop type="x-context-post">&lt;seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg></prop>
        <seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.</seg>
      </tuv>
      <tuv xml:lang="it">
        <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
      </tuv>
    </tu>
    <tu changedate="20140625T175037Z" changeid="ana">
      <prop type="client"> </prop>
      <prop type="project"> </prop>
      <prop type="domain"> </prop>
      <prop type="subject"> </prop>
      <prop type="corrected">no</prop>
      <prop type="aligned">yes</prop>
      <tuv xml:lang="pt-pt">
        <prop type="x-context-post">&lt;seg>Composto por três áreas integradas, todos os espaços são facilmente adaptados às características de cada evento.&lt;/seg></prop>
        <seg>Teste</seg>
      </tuv>
      <tuv xml:lang="it">
        <seg>Lo spazio di pertinenza del Pavilhão Atlântico, versatile per natura, è adatto a ricevere gli eventi più svariati.</seg>
      </tuv>
     </tu>
  </body>
</tmx>

  </body>
</tmx>

中间有很多“正文”标签以及“标题”标签。这就是为什么我决定尝试“仅打印最新”策略的原因。

再次感谢大森

4

2 回答 2

2

我认为第二个传递处理程序应该删除tu如果它没有使用，或者刷新树枝：

sub second_pass {
    my($twig, $tu) = @_;
    #print $original_tu->text;
    my $seg = $tu->first_child('tuv')->first_child('seg')->text;

    my $changedate = $tu->att('changedate');
    #$changedate = substr $changedate, 0, 8;
    #my $hash = md5($seg);
    if (!(($hash{$seg}) eq $changedate)) {
            print "================================\n";
                print "NOT PRINTED\n";
                print $seg;
                print "\n BECAUSE DATE: ";
            print $changedate;
            print " IS OLDER THAN FOUND IN PASS ONE: ";
            print $hash{$seg};
            print "\n=================================\n";
            $tu->delete;   

        }
else {
    $t->flush($out);
}

}

刷新树枝的末端应该在解析结束时自动发生。

对不起，我没有看到你编辑。我认为发生的情况是混合删除当前元素和刷新在模块代码中造成了一些混乱。看看冲洗是否有条件地改善了事情。

于 2013-08-08T10:40:32.597 回答
2

如果您不想打印整个树枝，请不要打印它。仅打印相关部分：

# $twig->print($out); # Prints everything.
$tu->print($out);
于 2013-08-08T09:34:02.447 回答