45、语言数据处理：XML、Toolbox与OLAC元数据

语言数据处理：XML、Toolbox与OLAC元数据

1. XML数据处理

1.1 XML结构特点

在处理词汇条目时，语义元素可以嵌套在条目元素内部。对于多对多关系，需要从层次结构中抽象出来。例如，一个单词可能对应多个语义，一个语义也可能对应多个单词，此时单词和语义都需分别枚举，同时也要列出（单词，语义）配对列表，这种复杂结构甚至可能分散在三个独立的XML文件中。虽然XML为我们提供了方便的格式和丰富的工具，但它并非万能。

1.2 使用ElementTree接口处理XML数据

Python的ElementTree模块为访问XML文件中的数据提供了便捷方式。它是Python标准库的一部分（从Python 2.5开始），如果使用Python 2.4，NLTK也提供了该模块。

下面以莎士比亚戏剧的XML格式文件为例，展示如何使用ElementTree：

import nltk
from nltk.etree.ElementTree import ElementTree

# 查找XML文件
merchant_file = nltk.data.find('corpora/shakespeare/merchant.xml')
# 读取文件内容
raw = open(merchant_file).read()
# 打印文件开头部分
print(raw[0:168])
# 打印第一幕开头部分
print(raw[1850:2075])
# 解析XML文件
merchant = ElementTree().parse(merchant_file)
# 打印XML元素