1

我正在尝试使用 MATLAB 读取波兰树库的以下 XML 文件：http: //zil.ipipan.waw.pl/Sk%C5%82adnica?action=AttachFile&do=view&target=Sk%C5%82adnica- frazowa- 0.5-TigerXML.xml.gz

波兰字母似乎被编码为 HTML 代码：http ://webdesign.about.com/od/localization/l/blhtmlcodes-pl.htm

例如，ł代表“ł”。如果我使用“UTF-8”打开树库，我会得到类似 的词kłaniał，实际上应该显示为“kłaniał”

现在，我看到了正确读取树库的 2 个选项：

  1. 直接读取 XML 文件，以便将 HTML 代码转换为相应的字符。
  2. 首先以非解码格式（例如 as kłaniał）保存单词，然后转换字符。

是否可以在 MATLAB 中执行 2 个选项之一（或两者）？

4

1 回答 1

0

非 MATLAB 解决方案是通过一些外部实用程序对文件进行预处理。例如，安装 Ruby 后，可以使用HTMLentitiesgem 来取消转义所有特殊字符。

sudo gem install htmlentities

让file.xml是应该由仅 ascii 字符组成的文件名。转换文件的 Ruby 代码可能是这样的：

#!/usr/bin/env ruby

require 'htmlentities'
xml = File.open("file.xml").read
converted_xml = HTMLEntities.new.decode xml
IO.write "decoded_file.xml", xml

（要运行该文件，不要忘记chmod +x使其可执行）。或者更紧凑，作为单线

 ruby -e "require 'htmlentities';IO.write(\"decoded_file.xml\",HTMLEntities.new.decode(File.open(\"file.xml\").read))"

然后，您可以根据需要对 xml 进行后处理。

于 2015-10-05T11:17:25.450 回答