Multi-Saxon

Fri, 28 Mar 2025 00:00:00 +0000

Multi-Saxon: XSLT en paralelo para grandes corpus TEI

Multi-Saxon cubre una laguna importante de las herramientas de procesamiento XML: permite ejecutar en paralelo transformaciones XSLT 2.0 y 3.0 que LXML (una biblioteca XML muy usada en Python) no puede manejar. Pensado para grandes colecciones de documentos XML TEI, Multi-Saxon acorta considerablemente los tiempos de procesamiento gracias a una ejecución paralela eficiente.

Características principales

Compatibilidad avanzada con XSLT: procesa transformaciones XSLT 2.0 y 3.0, fuera del alcance de LXML
Procesamiento en paralelo: la paralelización reduce drásticamente el tiempo de transformación de grandes colecciones de documentos
Optimizado para TEI: diseñado expresamente para documentos XML de la Text Encoding Initiative (TEI)
Rendimiento escalable: maneja con soltura corpus de cientos o miles de documentos
Multiplataforma: funciona en sistemas operativos y entornos distintos

El problema que resuelve Multi-Saxon

Quienes trabajan con TEI en humanidades digitales tropiezan a menudo con dos obstáculos:

LXML (una biblioteca habitual de procesamiento XML en Python) solo admite XSLT 1.0, lo que deja fuera las funciones más avanzadas de XSLT 2.0/3.0
Procesar grandes corpus de documentos TEI uno tras otro puede llevar un tiempo prohibitivo

Multi-Saxon resuelve ambos aprovechando las capacidades XSLT avanzadas de Saxon y repartiendo el trabajo entre varios núcleos, con ganancias de rendimiento notables.

Implementación

Multi-Saxon combina Python con el procesador Saxon de Java para formar una cadena de transformación de alto rendimiento:

Usa la biblioteca Saxon de Java para un procesamiento XSLT 2.0/3.0 robusto
Recurre al multiprocesamiento para distribuir las transformaciones entre los núcleos de CPU disponibles
Gestiona con eficiencia los grupos de procesos para maximizar el rendimiento
Ofrece una interfaz sencilla para procesar documentos TEI por lotes

Ejemplo de uso

from multi_saxon import MultiSaxon

# Initialize with your XSLT stylesheet
transformer = MultiSaxon("transform.xsl")

# Transform a single document
transformer.transform("input.xml", "output.xml")

# Transform an entire directory in parallel
transformer.transform_directory("input_dir", "output_dir")

Qué aporta a las humanidades digitales

A los proyectos de humanidades digitales que manejan grandes colecciones de documentos TEI, Multi-Saxon les permite:

Transformaciones complejas a escala de corpus, imposibles con LXML
Tiempos de procesamiento drásticamente menores (a menudo entre 5 y 10 veces, en sistemas multinúcleo)
Análisis más sofisticados gracias a las funciones avanzadas de XSLT 2.0/3.0
Un flujo de trabajo más simple para procesar colecciones enteras de documentos

El código fuente y la documentación están en el .