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

在处理XML数据时，会遇到一些特殊情况。比如，若词义定义不能独立于词项存在，那么词义元素可嵌套在词项元素内。对于多对多关系，需从层次结构中抽象出来。若一个词有多个对应词义，一个词义又对应多个词，那么词和词义都要分别列举，词 - 词义配对列表也需单独列出，这种复杂结构甚至可能分散在三个不同的XML文件中。

虽然XML为我们提供了便捷的格式和丰富的工具，但它并非万能。Python的ElementTree模块为访问XML文件中的数据提供了便利方式，它是Python标准库的一部分（从Python 2.5开始），若使用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，介绍ElementTree的使用方法：

import nltk
# 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])

上述代码将XML数据作为字符串访问，第一幕开头的字符串包含标题、场景、舞台指示等XML标签。接下来，使用ElementTree将文件内容处理为结构化的XML数据：

from nltk.etree.