ruby-on-rails - 逐行搜索 XML

Question

我有一个具有以下格式的 XML 文档:

<document>
  <page>
    <column>
      <text>
        <par>
          <line></line>
        </par>
      </text>
    </column>
  </page>
</document>

我想在 XML 中搜索字符串，但可能在多行标记、多个 block 文档和/或多个页面标记中:

<document>
  <page>
    <column>
      <text>
        <par>
          <line>Hello</line>
        </par>
      </text>
    </column>
    <column>
      <text>
        <par>
          <line>World</line>
        </par>
      </text>
    </column>
  </page>
  <page>
    <column>
      <text>
        <par>
          <line>What's</line>
          <line>Up?</line>
        </par>
      </text>
    </column>
  </page>
</document>

我需要搜索“Hello World What's Up?”并且知道它位于第 1 列的第 1 行、第 2 列的第 1 行和第 3 block 的第 1-2 行(第 3 页第 1 block )。

我在行上有元数据来告诉我它是什么行号，以及它属于什么列号，例如:

<line linenum="1" columnnum="2">World</line>

跨不同列搜索该术语并能够了解它们属于哪些行和列的详细信息的最佳方式是什么？

我可以获得第一个单词的所有实例，对每个实例进行迭代，然后查看以下单词是否与搜索单词相对应(逐字逐句)，如果该行中没有更多单词，则转到下一个线。如果不再有行，请转到下一个 block 。想法？

这是示例 XML 代码的真实片段，以及脚本返回的内容:

<block>
  <text>
    <par>
      <line colnum="1" linenum="1">
        (12) United States Patent
      </line>
    </par>
    <par>
      <line colnum="1" linenum="2">
        Kar-Roy et al.
      </line>
    </par>
  </text>
</block>
<block>
  <text>
    <par>
      <line colnum="2" linenum="3">
        US007078310B1
      </line>
    </par>
  </text>
</block>
<block>
  <text>
    <par>
      <line colnum="3" linenum="4">
        (io) Patent No.: US 7,078,310 B1
      </line>
    </par>
    <par>
      <line colnum="3" linenum="5">
        (45) Date of Patent: Jul. 18,2006
      </line>
    </par>
  </text>
</block>
<block>
  <text>
    <par>
      <line>
        (54) METHOD FOR FABRICATING A HIGH
      </line>
      <line>
        DENSITY COMPOSITE MIM CAPACITOR
      </line>
    </par>
  </text>
</block>

当我搜索“METHOD FOR FABRICATING A HIGH”时，map{|f| f.text 返回:

["Kar-Roy et al.", "US007078310B1", "(io) Patent No.: US 7,078,310 B1", "(45) Date of Patent: Jul. 18,2006", "(54) METHOD FOR FABRICATING A HIGH"]

看起来它采用了五个字的长度，并且出于某种原因在实际结果之前得到了四行。

Answer 1

这是我的想法:首先，将您的结构解析为像 Nokogiri 这样的 XML 解析器，然后使用 XPath 搜索来提取所有 line 元素。然后，将每个元素分解为该节点中包含的单词，这样我们就可以匹配仅匹配节点一部分的短语。然后，连续排列单词，使用 each_cons(4)(其中 4 是您要搜索的单词数)查看所有连续的四个单词组，如果它们在连接时与您的搜索字符串匹配，则返回。这是我的代码:

xml = Nokogiri::XML.parse(doc)

search = "HIGH DENSITY"

# 1. break down all the lines into words tagged with their nodes
# 2. find matching subsequence
# 3. build up from nodes

nodes = xml.xpath('//line')
words = nodes.map do |n|
  words_in_node = n.text.split(' ').map(&:upcase) # split into words and normalize
  words_in_node.map { |word| { word: word, node: n } }
end
words = words.flatten # at this point we have a single, ordered list like [ {word: "foo", node: ...}, {word: "bar", node: ...} ]

keywords = search.split(' ').map(&:upcase)
result = words.each_cons(keywords.size).find do |sample|
  # Extract just the :word key from each hash, then compare to our search string
  sample_words = sample.map { |w| w[:word] }
  sample_words == keywords
end

if result
  puts "Found in these nodes:"
  puts result.map { |w| w[:node] }.uniq.inspect
  # you can find where each node was located via Nokogiri
else
  puts "No match"
end

产生:

Found in these nodes:
[#<Nokogiri::XML::Element:0x4ea323e name="line" children=[#<Nokogiri::XML::Text:0x4ea294c "\n        (54) METHOD FOR FABRICATING A HIGH\n      ">]>,
 #<Nokogiri::XML::Element:0x4ea3018 name="line" children=[#<Nokogiri::XML::Text:0x4ea2654 "\n        DENSITY COMPOSITE MIM CAPACITOR\n      ">]>]