将文件名放在标签之间[[

Question

[OCR将几千个TIFF图像转换为ALTO XML之后，我发现xml中的文件名标记为空。

<sourceImageInformation>
    <fileName>                      </fileName>
</sourceImageInformation>

我想（递归）处理所有xml文件，并在标签之间添加tiff名称。 xml的基本名称与tiff相同。最好的方法是什么？我应该将bash与find和sed一起使用，还是将Python与string.replace一起使用，还是有更好的选择？

Answer 1

不要

not使用字符串处理工具来处理XML！ XML不是常规格式，使用str.replace()或sed或任何此类工具可能会导致误报和错误。

使用XML解析器； Python具有xml.etree.ElementTree，它使此任务足够简单：

xml.etree.ElementTree

上面处理给定目录中的所有XML文件（使用from pathlib import Path
from xml.etree import ElementTree as ET

for xmlfile in Path("directory_with_xml_files").glob("*.xml"):
    tree = ET.parse(xmlfile)
    namespace = tree.getroot().tag.partition('}')[0][1:]
    elem = tree.find(f".//{{{namespace}}}fileName")
    elem.text = f"{xmlfile.stem}.tiff"
    tree.write(xmlfile, encoding="UTF-8", xml_declaration=True)
，使用pathlib module查找XML文件）。对于每个文件，它将XML数据解析为XML树，并使用该元素的简单pathlib，Path.glob() method（使用Path.glob()，这是该元素的基本名称）在树中找到第一个<fileName>元素XPath expression扩展名）并将XML树写回到原始文件。
您说过您使用了updates the text，它使用filename stem来区分版本；以上应该从根元素中选择要使用的正确名称空间。
演示：
.xml