MarkupLM源码解析之数据准备（四）

前言

原文地址：https://blog.csdn.net/m0_48742971/article/details/123301571，严禁转载。

本文解析get_value_xpaths方法。

这个方法的作用

Gets a list of xpaths that contain a text truth_value in DOMTree objects.

翻译：从DOM树中获取包含真值（标注数据）的xpath列表

为什么是xpath列表呢？

因为一个字段可以包含多个值，比如作者可以是多个。

1. 参数分析

为了实现这个目标，要传入dom_tree和truth_value，其他参数需要额外解释。

overall_xpath_dict：这是一个在网站范围内收集xpath的容器，它是这样初始化的：

overall_xpath_dict = collections.defaultdict(set)

website：网站名，为了处理特殊网站才传入的

field：字段名，同上

2. 核心逻辑分析

# Iterate all the nodes in the given DOMTree.
for e in dom_tree.iter