转换XML文件TRECTEXT格式

Question

我从INEX IMDB集合，它包括在几千目录中几百万的XML文件，结构是这样的：

- actors 
-- 000 
--- person_1000.xml 
--- ... 
-- 001 
--- person_1001.xml 
--- ... 
... 
- movies 
-- 000 
--- 10000.xml 
--- ... 
... 

我需要将这些文件转换为TRECTEXT格式，这是

<DOC> 
<DOCNO> document_number </DOCNO> 
<TEXT> XML file goes here. </TEXT> 
</DOC> 

其中document_number应该是没有扩展名的文件名，ex person_1000.xml - > person_1000和XML文件的内容应该包装在标签中。

我假设我需要一些脚本，它将每个XML文件包含在集合中，并且标记如上所示并覆盖原始文件。请问你能帮帮我吗？

Answer 1

我不熟悉TRECTEXT格式，但这里的使用Perl应该做你想要什么一个班轮：

find . -type f -name "*.xml" -exec perl -MFile::Basename -0777pi.bak -e 's#(.*)\n#"<DOC>\n <DOCNO> ".basename($ARGV,".xml")." </DOCNO>\n <TEXT> ".$1." </TEXT>\n</DOC>\n"#es' {} \; 

显然删除.bak扩展，如果你不希望保留任何备份文件。如果您有任何问题，请告诉我。干杯。

---

更新，按照注释：

find . -type f -name "*.xml" -exec perl -MFile::Basename -0777pi.bak -e 's#.*#"<DOC>\n <DOCNO> ".basename($ARGV,".xml")." </DOCNO>\n <TEXT> ".$&." </TEXT>\n</DOC>\n"#es' {} \;