XML 解析仅适用于较大 xml 文件的子集

Question

use XML::LibXML;
use Data::Dumper; 

#parsing file
my $dom = XML::LibXML->new->parse_file('sample.xml');

#print file to make sure it looks ok
print $dom, "\n";

    #finds shortnames
    my $sn = $dom->findnodes('//shortName');
    print 'ShortName: '.$sn, "\n";

    #finds dbRefernce ids that are of type EC
    my $ids = $dom->findnodes('//dbReference[@type="EC"]/@id');
    my $number =()= $ids =~ /\./gi;
    print 'Result: '.$ids, "\n";

    #finds sequences that have a length
    my $seq = $dom->findnodes('//sequence[@length>1]');
    $seq =~ s/" "/"\n"/;
    print 'Sequence: '.$seq, "\n";

我有这段代码，它获取所有短名称、EC 类型的 dbReferences 和具有长度的序列并打印它们。我有 sample.xml (https://www.dropbox.com/s/dq8ir9f22cnfwrz/Sample.xml) 这是我最后需要解析的较大文件。但我一直在使用 oneentry.xml (https://www.dropbox.com/s/6nxexfig46sw0v6/oneentry.xml)，它只是较大列表中的条目之一。

问题是代码适用于一个条目并打印出来：

ShortName: 17-beta-HSD 53-alpha-HSD type 2DD-3DD3PGFS
Result: 1.-.-.-1.1.1.3571.1.1.1121.1.1.1881.1.1.2391.1.1.641.3.1.20
Sequence:  MDSKHQCVKLNDGHFMPVLGFGTYAPPEVPRSKALEVTKLAIEAGFRHIDSAHLYNNEEQ VGLAIRSKIADGSVKREDIFYTSKLWSTFHRPELVRPALENSLKKAQLDYVDLYLIHSPM SLKPGEELSPTDENGKVIFDIVDLCTTWEAMEKCKDAGLAKSIGVSNFNRRQLEMILNKP GLKYKPVCNQVECHPYFNRSKLLDFCKSKDIVLVAYSALGSQRDKRWVDPNSPVLLEDPV LCALAKKHKRTPALIALRYQLQRGVVVLAKSYNEQRIRQNVQVFEFQLTAEDMKAIDGLD RNLHYFNSDSFASHPNYPYSDEY 

但它不会为整个文件输出任何内容。导致脚本功能不同的两个文件有什么不同？

Answer 1

这两个文件有一个重要的区别。你的小文件oneentry.xml 开头是这样的：

<uniprot> 
    <entry dataset="Swiss-Prot" created="1995-11-01" modified="2014-05-14" version="156"> 
        <accession>P42330</accession> 
        <accession>A8K2V0</accession> 
        ...

但您的大号Sample.xml 略有不同：

<uniprot xmlns="http://uniprot.org/uniprot" 
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 
         xsi:schemaLocation="http://uniprot.org/uniprot 
         http://www.uniprot.org/support/docs/uniprot.xsd">
    <entry dataset="Swiss-Prot" created="1995-11-01" modified="2014-05-14" version="156"> 
        <accession>P42330</accession> 
        <accession>A8K2V0</accession> 
        ...

较大的文件声明了一个默认命名空间：xmlns="http://uniprot.org/uniprot"，而较小的文件则没有。这将影响节点的选择。您的 XML 文件是否具有 default 命名空间（不需要为其标记添加前缀）并不重要。 XPath 数据模型忽略了这一点。 XPath 表达式假定元素选择器属于 no-namespace，除非它们明确 用映射到文件中声明的命名空间的 前缀 限定对于那些元素。

有两种方法可以解决这个问题：

• 注册命名空间/前缀映射
• 忽略表达式中的命名空间

1. 注册命名空间

   这是推荐的解决方案，因为它可以保证您提取正确的节点。您需要选择一个前缀。前缀可以是任何合法的 XML 标识符 uniprot、u、up - 由您决定。您需要获取文档的 XPath 上下文：

   my $context = XML::LibXML::XPathContext->new( $dom->documentElement()  );
   $context->registerNs('u', 'http://uniprot.org/uniprot');
   

   现在所有你的 XPath 选择器必须加前缀。替换

   //shortName
   //dbReference[@type="EC"]/@id
   //sequence[@length>1]
   

   与

   //u:shortName
   //u:dbReference[@type="EC"]/@id
   //u:sequence[@length>1]
   

   （假设您选择 u 作为前缀。）

   这里不是这种情况，但是如果您的路径包含多个步骤，则需要在每个步骤中限定元素选择器。例如，如果你必须使用绝对表达式，你可以这样写：

   /u:uniprot/u:entry/u:reference[16]/u:citation/u:dbReference[@type="EC"]/@id
   

2. 忽略命名空间

   这是一种替代解决方案，有时可以使用（通常用于小的明确选择，我认为这不是你的情况）。您选择 all 元素（使用 any 元素通配符：*），然后使用谓词中标记名称的 local 部分进行过滤（使用local-name() 函数。对于此解决方案，您不必注册任何命名空间。您只需更改表达式即可。

   //*[local-name() = 'shortName']
   //*[local-name() = 'dbReference'][@type="EC"]/@id
   //*[local-name() = 'sequence'][@length>1]
   

   此解决方案的问题在于，如果您有两个具有相同本地名称且位于不同命名空间中的元素，它们也会被选中。假设您没有任何冲突的名称，此解决方案的优点是您可以在两个文件中使用它，一个有命名空间，一个没有命名空间。