基于标签计算XML文档相似度答案

【问题标题】：Computing XML document similarity based on tags基于标签计算XML文档相似度
【发布时间】：2015-01-21 13:37:25
【问题描述】：

作为一种计算 XML 文档之间相似度（通常是几个，但在这种情况下是两个）的方法，基于标签的相似度计算有几个应用。现在，如何使用 XSLT 实现这样的方法。

我是这样想的：提取标签并为两个文档列出它们。接下来，检查两个列表之间的完全/部分匹配。

在这方面，XSLT 是否提供任何用于比较字符串（标签）的函数/操作。欢迎任何关于概念和实施的想法。

简单示例：

对于这些 XML 文档（当然是其中的一部分），

<book id="bk101">
      <author>Gambardella, Matthew</author>
      <title>XML Developer's Guide</title>
      <genre>Computer</genre>
      <price>44.95</price>
      <publish_date>2000-10-01</publish_date>
      <description>An in-depth look at creating applications 
      with XML.</description>
   </book>

还有这个，

  <books>
      <authorname>Ralls, Kim</authorname>
      <booktitle>Midnight Rain</booktitle>
      <genre>Fantasy</genre>
      <cost>5.95</cost>
      <date>2000-12-16</date>
      <abstract>A former architect battles corporate zombies, 
      an evil sorceress, and her own childhood to become queen 
      of the world.</abstract>
   </books>

两个文档都有六个元素（标签），其中流派出现在两者中，标题类似于书名，作者带有作者名，发布日期带有日期。所以，这两者是相似的。（1个完全匹配，3个部分匹配）

【问题讨论】：

您使用的是什么 XSLT 处理器（及其版本）？和yes, it's possible。具有完全不同层次结构和属性的 XML 文档呢？您期待什么样的 XML 文档？
一个文档中的“books”是否与另一个文档中的“book”不相似？为什么“书”或“书”没有出现在您的计数中？您是否正在使用要查找或比较的单词列表？如果一个文档的元素名为“author”，而另一个文档的元素名为“authority”，会发生什么？
我不认为 Xslt 确实为您正在寻找的那种模糊匹配提供任何有用的机制。我想你必须使用“真正的”差异化工具/lib。
... 并补充马丁已经指出的案例：为什么第一个文档中的“书”与第二个文档中的“书名”不匹配？
@MathiasMüller，如果它很重要，我会使用 Altova XML Spy 2011 和 xsltransform.net。提供的示例是一个快速而简单的示例；因此我们可能无法控制文档的详细信息，因此它们可能完全不同。

标签： xml xslt pattern-matching string-matching similarity

【解决方案1】：

假设 XSLT 2.0 将第一个 XML 文档作为其输入，将第二个文档的 URL 作为参数，然后为第一个文档中的每个元素名称输出一个名称列表，这些名称包含或包含第二个文档中的名称：

<xsl:stylesheet
  version="2.0"
  xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
  xmlns:xs="http://www.w3.org/2001/XMLSchema"
  exclude-result-prefixes="xs">

<xsl:output method="text"/>  

<xsl:param name="doc2-url" as="xs:string" select="'test2015012102.xml'"/>
<xsl:variable name="doc2" as="document-node()" select="doc($doc2-url)"/>
<xsl:variable name="doc2-names" as="xs:string*" select="distinct-values($doc2//*/local-name())"/>

<xsl:template match="/">
  <xsl:value-of select="for $name in distinct-values(//*/local-name())
                        return concat($name, ': ', string-join($doc2-names[contains($name, .) or contains(., $name)], ', '))"
                separator="&#10;"/>
</xsl:template>

</xsl:stylesheet>

所以对于您的示例，输出是

book: books, booktitle
author: authorname
title: booktitle
genre: genre
price:
publish_date: date
description:

【讨论】：