为重复元素的特定实例解析大型 XML 文件

Question

我有一个非常大的 XML 文件，我需要从中提取一些信息。我一直在尝试使用sed 脚本来执行此操作，但遇到了一些问题。实际上，同一个 XML 文件有两种版本，一种格式很好，另一种只是一个巨大的单行 XML。每个人都有不同的问题。

格式化文件：

我要从中提取数据的元素之一称为<name>，但该元素有多个实例，我只想要数据在一个特定的上下文中。这就是我的意思：

XML 看起来像这样：

 <object uid="1234567890-00000000">
   <name>Object Name</name>
   <country>United States</country>
   <state>Texas</state>
   <county>Travis</county>
   <timeZone>-06:00</timeZone>
   <datum uid="datum_UID">
     <name>Datum Name</name>
     <code>DUID</code>
   </datum>
 </object>

我的最终目标是生成一个以空格分隔的两列文件，其中包含第一列中的对象uid 和第二列中的对象name。我的第一个想法是 sed 分别为每个结果构建两个临时文件，然后将它们组合成一个。问题是，当我 sed 获取名称元素时，我无法弄清楚如何只获取对象 <name> 元素，而不是获取基准 <name> 元素。

我用于查找对象uid 的sed 脚本似乎运行良好：

sed -n -e 's/^.*<object uid="\([-0-9]*\)">.*/\1/p' $infile > $outfile

$infile 是大 XML 文件，$outfile 是我想要保存生成的uids 的任何位置。这是我为name 提供的内容，这显然行不通，因为它将与<name> 标记的每个实例匹配：

sed -n -e 's/^.*<name>\([^<]*\)<.*/\1/p' $infile > $outfile2

有没有办法用sed 做到这一点？请记住，该文件非常大（超过 5000 万行）。我通过多行搜索找到了this blog，我可以尝试，但如果我理解正确，这会在搜索之前将所有行连接到保持缓冲区中，而我对sed 的了解不够知道这是否是一个非常糟糕的主意，超过 5000 万行。

单行文件：

我尝试使用一个 sed 脚本使用单行文件一步完成所有操作，但最终我只得到了最后一个匹配项作为输出。这是我为此使用的sed 脚本：

sed -n -e 's/^.*<object uid="\([-0-9]*\)"><name>\([^<]*\)<.*/\1 \2/p' $infile > $outfile

我想我知道为什么这个表达式不起作用（开头和结尾的 .* 匹配我想要的数据之前/之后的所有内容），但我无法修复它。我已经尝试了表达式的一些变化，但我从来没有得到我正在寻找的结果。它要么只打印最后一个结果，要么打印整行（在这种情况下是整个文件）。如何从单行文件中解析出每个匹配项？

Answer 1

这里有一个使用XML解析工具xmlstarlet的方法：

xmlstarlet sel -t -m //object -v @uid -nl -v name -nl test.xml  | paste - -

1234567890-00000000 Object Name
2   second

鉴于此“test.xml”：

<objects>
<object uid="1234567890-00000000">
   <name>Object Name</name>
   <country>United States</country>
   <state>Texas</state>
   <county>Travis</county>
   <timeZone>-06:00</timeZone>
   <datum uid="datum_UID">
     <name>Datum Name</name>
     <code>DUID</code>
   </datum>
 </object>
<object uid="2">
   <name>second</name>
   <datum uid="datum_UID">
     <name>not me</name>
   </datum>
 </object>
</objects>