在大量的XML文件中只保留某些字符串

Question

我有一个包含80000个.xml文件的目录。我想从每个文件中删除除3行外的其余内容。在每个文件中，行#保持不变(第41、65、120行(。或者，它们是带有特定字符串("InvestorIndedentifier"one_answers"PoolID"(的行。

有没有办法从文件中删除其余内容，但只保留文件中的那些行？由于有这么大的文件量，我需要它是在整个批次上做这件事的东西。

Answer 1

您还没有明确表示是否希望保留的内容是格式良好的XML。保留第41、65和120行，同时丢弃其余行，似乎不太可能生成格式良好的XML，因为您将丢失最外层的开始和结束标记。

通常，强烈建议使用非XML工具处理XML文件，因为这通常会导致内容不是格式良好的XML。在这里，我们从试图处理格式错误的XML的人那里得到了大量的问题，这通常正是因为有人试图走这条捷径。然而，在某些情况下，XML是如此规则和可预测，以至于您可能能够逃脱惩罚，这可能就是这样的情况。

但是，我自己的选择是使用XSLT处理内容。在XSLT2.0+中，您可以使用collection((或uri-collection((函数来处理输入文件的整个目录，并使用xsl:result-document指令来生成输出文件。所以对于Saxon，你可以做这样的事情：

<xsl:transform version="3.0"
xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:template name="xsl:initial-template">
<xsl:for-each select="uri-collection('file:///my-input-directory/')">
<xsl:result-document href="replace(., 'my-input-directory', 'my-output-directory')">
<doc>
<xsl:copy-of select="doc(.)//(InvestorIdentifier|PoolID)"/>
</doc>
</xsl:result-document>
</xsl:for-each>
</xsl:template>
</xsl:transform>

Answer 2

使用sed。

sed -i -r '/InvestorIndentifier|PoolID/!d' *.xml

!反转匹配，因此删除所有与识别要保留的特定字符串的正则表达式不匹配的行。