用于将 SGML 转换为 XML 的正则表达式

Question

我正在通过this 链接将 sgml 内容转换为 xml 内容。 使用sgmlString.replaceAll("<(([^<>]+?)>)([^<>]+?)(?=<(?!\\1))", "<$1$3</$2>");正则表达式我几乎接近预期的结果，但是对于以下文件，当有多个同名的并行标签没有关闭时，它只关闭最后一个标签的标签。

输入：

<SEC-HEADER>0001104659-17-052330.hdr.sgml : 20170817
    <ACCEPTANCE-DATETIME>20170817060417
    <ACCESSION-NUMBER>0001104659-17-052330
    <TYPE>8-K
    <PUBLIC-DOCUMENT-COUNT>4
    <PERIOD>20170816
    <ITEMS>7.01
    <ITEMS>8.16
    <FILING-DATE>20170817
    <DATE-OF-FILING-DATE-CHANGE>20170817
    <FILER>
        bye bye see you!
    </FILER>
</SEC-HEADER>

输出：（注意只有一个ITEMS标签的关闭和两个FILER的关闭，不是预期的）

  <SEC-HEADER>0001104659-17-052330.hdr.sgml : 20170817
     <ACCEPTANCE-DATETIME>20170817060417</ACCEPTANCE-DATETIME>
     <ACCESSION-NUMBER>0001104659-17-052330</ACCESSION-NUMBER>
     <TYPE>8-K</TYPE>
     <PUBLIC-DOCUMENT-COUNT>4</PUBLIC-DOCUMENT-COUNT>
     <PERIOD>20170816</PERIOD>
     <ITEMS>7.01<ITEMS>8.16</ITEMS>
     <FILING-DATE>20170817</FILING-DATE>
     <DATE-OF-FILING-DATE-CHANGE>20170817</DATE-OF-FILING-DATE-CHANGE>
     <FILER>bye bye see you!</FILER></FILER>
</SEC-HEADER>

预期：

  <SEC-HEADER>0001104659-17-052330.hdr.sgml : 20170817
         <ACCEPTANCE-DATETIME>20170817060417</ACCEPTANCE-DATETIME>
         <ACCESSION-NUMBER>0001104659-17-052330</ACCESSION-NUMBER>
         <TYPE>8-K</TYPE>
         <PUBLIC-DOCUMENT-COUNT>4</PUBLIC-DOCUMENT-COUNT>
         <PERIOD>20170816</PERIOD>
         <ITEMS>7.01</ITEMS>
         <ITEMS>8.16</ITEMS>
         <FILING-DATE>20170817</FILING-DATE>
         <DATE-OF-FILING-DATE-CHANGE>20170817</DATE-OF-FILING-DATE-CHANGE>
         <FILER>bye bye see you!</FILER>
    </SEC-HEADER>

我需要您对以下问题的建议/指导：

1. 因为我读的正则表达式很慢，所以使用正则表达式获取结束标签以使其成为 xml 格式是一种好方法吗？
2. 我有很多文件要处理（最多 18000 行/标签），有没有更好的方法来实现它？
3. 如何通过改变正则表达式得到预期的结果（我的EL真的很弱）

Answer 1

虽然它可能适用于手头的 SGML，但通常使用正则表达式匹配/替换是一种将 SGML 转换为 XML 的糟糕方法，因为 SGML 具有标记省略/标记推断、属性名称和值省略（如在 HTML 中），以及 SGML 的 XML 配置文件中没有的其他简短形式和功能。

但是我可以完全推荐专用的osx SGML 到 XML 转换程序。其来源可从http://openjade.sourceforge.net/ 获得。如果您使用的是 Debian/Ubuntu，则可以通过 sudo apt-get install opensp 安装它，如果您使用的是 Mac OS（使用必须首先安装的 MacPorts），则可以通过 sudo port install opensp（但不知道 MacBrew 的等价物） .

Answer 2

我在 perl 中有一个解决方案。 它是基于<SEC-HEADER>的特殊处理，并入。

Perl 代码：

use strict;
use warnings;

my $Input ='';
while(<>)
{
    $Input.=$_;
}

$Input =~ s/<((?!SEC-HEADER)([^\/<>]+?)>)([^<>]+?)(\s*?)(?=<[^\/])/<$1$3<\/$2>$4/g;
print $Input;

为了将它翻译成你的工具（我无法测试并且不得不猜测它的语法），我建议尝试：

sgmlString.replaceAll("<((?!SEC-HEADER)([^\/<>]+?)>)([^<>]+?)(\s*?)(?=<[^\/])", "<$1$3<\/$2>$4");

抱歉，您必须自己修正一些特定于工具的错误，可能是通过反复尝试。
使用我的 perl 版本，我得到了以下输出，我希望它足够接近，它只是不会吃掉 <FILER> 内的空白。

输出：

<SEC-HEADER>0001104659-17-052330.hdr.sgml : 20170817
    <ACCEPTANCE-DATETIME>20170817060417</ACCEPTANCE-DATETIME>
    <ACCESSION-NUMBER>0001104659-17-052330</ACCESSION-NUMBER>
    <TYPE>8-K</TYPE>
    <PUBLIC-DOCUMENT-COUNT>4</PUBLIC-DOCUMENT-COUNT>
    <PERIOD>20170816</PERIOD>
    <ITEMS>7.01</ITEMS>
    <ITEMS>8.16</ITEMS>
    <FILING-DATE>20170817</FILING-DATE>
    <DATE-OF-FILING-DATE-CHANGE>20170817</DATE-OF-FILING-DATE-CHANGE>
    <FILER>
        bye bye see you!
    </FILER>
</SEC-HEADER>

详情：

• 使用与实际找到的标签名称的否定匹配而不是\1
• / 而不是 \
• 在一开始，期待一个非/
• 忽略特殊标记名SEC-HEADER，因为您已隐式允许
• 捕获一些空白并使用它来正确缩进和换行

如果你确实想吃掉空格，这里有一个 (perl) 替换来做到这一点：

$Input =~ s/<(?!\/)([^<>]+)>\s*([^<>]+[^\s<>])\s*<\/\1>/<$1>$2<\/$1>/g;

您的工具的猜测版本
（再次，对于小错误，请自行润色）：

sgmlString.replaceAll("<(?!\/)([^<>]+)>\s*([^<>]+[^\s<>])\s*<\/\1>", "<$1>$2<\/$1>");

输出（在第一个代码之后应用）：

<SEC-HEADER>0001104659-17-052330.hdr.sgml : 20170817
    <ACCEPTANCE-DATETIME>20170817060417</ACCEPTANCE-DATETIME>
    <ACCESSION-NUMBER>0001104659-17-052330</ACCESSION-NUMBER>
    <TYPE>8-K</TYPE>
    <PUBLIC-DOCUMENT-COUNT>4</PUBLIC-DOCUMENT-COUNT>
    <PERIOD>20170816</PERIOD>
    <ITEMS>7.01</ITEMS>
    <ITEMS>8.16</ITEMS>
    <FILING-DATE>20170817</FILING-DATE>
    <DATE-OF-FILING-DATE-CHANGE>20170817</DATE-OF-FILING-DATE-CHANGE>
    <FILER>bye bye see you!</FILER>
</SEC-HEADER>