Лучший способ сравнить документы XML?

Question

В моем текущем проекте у нас есть большой репозиторий контента, который был первоначально опубликован в форме книги. Большая часть этого контента была опубликована как на английском, так и на многих иностранных языках, используя в основном Quark Express и позже InDesign. Этот контент был экспортирован в пользовательскую структуру XML для хранения и использования в будущем. Проблема заключается в том, что английский XML был экспортирован, а затем расширен как в структуре, так и в метаданных с течением времени редакторами, которые оставили структуру XML на иностранном языке отличной от английской версии. Например:

Английский XML:

<chapter meta="meta data added"> 
    <section meta="some meta about the section"> 
     <paragraph>some english paragraph</paragraph> 
     <list> 
      <li>some english list item</li> 
     </list> 
    </section> 
</chapter> 

иностранных XML:

<chapter> 
    <section> 
     <paragraph>some original foreign language paragraph</paragraph> 
    </section> 
</chapter> 

Как вы можете видеть, что есть в разы недостающие элементы, а также отсутствуют атрибуты. Проблема заключается в том, что мы хотим сравнить структуру иностранного языка с английским, добавить недостающие атрибуты и элементы метаданных, а затем сообщить об неотписавшихся частях XML.

Текущий процесс для завершения включает в себя удаление данных элемента и размещение его в веб-приложении. Оттуда я разрешаю пользователю вводить и сопоставлять абзац иностранного языка с его английским коллегой (используя Jquery, чтобы позволить им просто щелкнуть элемент, а затем совпадение) и сохранить эти данные как атрибут (по уникальному идентификатору). В этот момент я знаю, какие элементы совпадают между двумя языковыми документами, а затем я могу передать содержимое иностранного языка в английский структурированный XML. Это оставляет меня с содержанием на иностранном языке (помеченным uniqueID) внутри английского структурированного XML, который я могу запросить для элементов без уникального идентификатора, чтобы я мог знать, какие элементы нужно перевести.

Этот процесс работает нормально, однако он достаточно ручной, требуя от кого-то войти и щелкнуть по абзацам. Имея буквально сотни тысяч страниц контента, я ищу способы дальнейшей автоматизации процесса. Есть ли более эффективные способы сравнения XML-документов для структуры, чтобы вышеуказанные цели могли быть завершены с меньшим ручным вмешательством?

В текущем процессе, среди прочего, используются C#, ASP.Net, Linq to XML и JQuery. Но язык и инструменты не имеют значения! Я просто хочу найти более автоматизированное решение. Если он использует БД, нет проблем. Если нам нужно переключать платформы, я не против. Это вопрос реализации, а не языка. Благодаря!

Answer 1

В прошлом я использовал XSLT для преобразования двух частей XML в общий формат, прежде чем сравнивать их с текстовым инструментом diff (Beyond Compare).

Это может работать для вас, даже если вам нужны внешние данные для преобразования - вы можете передавать внешние данные в XSL Transform с использованием класса .NET XslCompiledTransform, где к нему можно получить доступ как параметры преобразования.