XML文書から テキストノード text() を抜き出す方法

googleのTranslate APIを使って、XML文書を日本語から英語に翻訳する ためには、まず、翻訳対象のXML文書中でテキストノードを取り出す必要がある。

単にテキストノードを取り出すだけならば、 XPath で指定した特定部分だけをXML文書から抜き出すスタイルシート のようにXSLTを使えば済む話だが、 その取り出したテキストを

1. 日本語から英語に翻訳した上で
2. 翻訳した英語テキストを元の場所に書き戻す必要がある

のでXSLTだけでは厳しい。

そこで、例によってJDOMとJythonを使って、問題を解決する。

コード

import java
import org.jdom as jdom


class TextNodeFilter(jdom.filter.Filter):

    def matches(self,obj) :
        if java.lang.String( str(obj.getClass()) ).indexOf('org.jdom.Text')!=-1 :
            return True
        else :
            return False


TEXT_NODE_FILTER=TextNodeFilter()


def parse( ele ):
    list=ele.getContent(TEXT_NODE_FILTER)
    for textObj in list :
        if len(java.lang.String(textObj.text).trim())>0 :
            java.lang.System.out.println( textObj.text )

    for e in ele.children :
        parse( e )


f=java.io.File('sample.xml')
doc=jdom.input.SAXBuilder().build(f)
parse( doc.rootElement )

ポイント

• parseメソッドを使って、XML文書中のすべての要素をチェック
• parseメソッド内で、ele.getContent(TEXT_NODE_FILTER) にて、text() に該当するオブジェクトを取得

テスト用XML文書

<?xml version="1.0" encoding="UTF-8" ?>
<book>
    <chapter>
        <title>不思議の国のアリス</title>
        <sect1>
            <title>うさぎの穴をまっさかさま</title>
            <para>アリスは川辺でおねえさんのよこにすわって、なんにもすることがないのでとても退屈(たいくつ)しはじめていました。</para>
        </sect1>
    </chapter>
</book>

実行結果

$ export CLASSPATH=jdom.jar ; jython print-text.py
不思議の国のアリス
うさぎの穴をまっさかさま
アリスは川辺でおねえさんのよこにすわって、なんにもすることがないのでとても退屈(たいくつ)しはじめていました。