【发布时间】：2022-08-03 14:45:00
【问题描述】：
SGML 不再广泛使用，但对于处理 1990 年代和 2000 年代创建的遗留资源，有时仍然需要它。问题是是否有任何可用的 SGML 解析器仍在（2022 年）积极维护，无论是 Python3 还是 Java。
我将自己的解决方法（以及类似问题的链接）作为答案，但我希望能找到更好的解决方法，尤其是允许验证和/或避免信息丢失的解决方法。
【发布时间】：2022-08-03 14:45:00
【问题描述】：
我目前的解决方法是：
- 将 SGML 数据输入 HTML 解析器（例如 BeautifulSoup 4）以获取 DOM 树
- 运行 XPath 表达式以检索原始顶级元素下的子树
- 将子树序列化为 XML
（没有代码示例，因为这适用于任何非验证 HTML 解析器。该方法类似于this 2011 question和this 2017 question的第一个答案。）
这似乎适用于我的情况（SemCor corpus）。然而，这是一个 hack 而不是解决方案，虽然非 HTML 标签和属性通常应该被保留，但我担心信息丢失和缺乏验证。因此问题。
验证注意事项：即使 SGML 数据可以在语法上转换为 XML（以这种或另一种方式），我们也不能直接使用标准 XML 技术来验证生成的标记是否符合其 DTD，因为 SGML 是大写容忍的，而 XML 不是。为了验证，XML 转换的标记和 DTD 都需要小写。 （试过Resnik's 1996 Bible corpus。）
【讨论】：
我试试这个https://github.com/hamdikarray/simple-api-for-sgml-dist，它适用于我的 sgml 数据。 希望能帮助到你
【讨论】：