根据内部内容提取 XML 元素答案

【问题标题】：Extract XML elements based on inner content根据内部内容提取 XML 元素
【发布时间】：2020-06-29 21:03:01
【问题描述】：

我有一个巨大的 XML 文档（超过 12 GB），我需要通过以下方式对其进行解析...

给定这样的结构：

<person name=Alice>
   <colour>blue</colour>
</person>

<person name=Bob>
   <colour>green</colour>
</person>

<person name=Charles>
   <colour>blue</colour>
</person>

我想在单独的文件中仅提取那些包含子字段 <colour> blue </colour> 的 person 元素。

例如，给定前面的 XML 代码，程序的输出应该是一个单独的文件，内容如下：

<person name=Alice>
   <colour>blue</colour>
</person>

<person name=Charles>
   <colour>blue</colour>
</person>

我曾尝试使用grep 和sed，因为它们是非常有用的工具，并且还可以像我一样管理大文件，但我不太确定应该使用哪个正则表达式。

提前致谢！

编辑：正如我所指出的，我需要一个基于流的工具，否则程序就会崩溃！我试过xmlstarlet，但程序是自动终止的（我想是因为内存使用）。

EDIT2：我也尝试过使用xml_split分割文件，但是生成的子文件数量根本无法处理。那么，有什么建议吗？

【问题讨论】：

看看xidel。
Don't Parse XML/HTML With Regex. 我建议使用 XML/HTML 解析器 (xmlstarlet, xmllint ...)。
@JackFleeting 是基于流的？问题是，如果没有，程序会被自动终止。

标签： xml parsing sed grep

【解决方案1】：

由于到目前为止您尝试过的任何 XML 感知工具都不适合您，如果您的输入像您发布的那样简单和常规：

$ awk -v RS= -v ORS='\n\n' '/<colour>blue</' file
<person name=Alice>
   <colour>blue</colour>
</person>

<person name=Charles>
   <colour>blue</colour>
</person>

如果这不是您所需要的，那么编辑您的问题以提供更具代表性的示例输入/输出。

【讨论】：