Discussion :

[zeng49]

Bonjour,

Je dois nettoyer un fichier pour en garder quelques informations. Mon code es le suivant:

#Création d'une liste. Les éléments de la liste doivent être supprimés
chaines= ['<Root>',
'<Article>',
'<Guide level="1">',
'<level="2">',
'<level="3">',
'<level="4">',
'<Titre>',
'</Titre>',
'</Paragraphe>',
'<Paragraphe>',
'<Gras>',
'</Gras>']
# Ouverture du fichier
fichier = open('C:/FRA/Imprimable.xml', 'r')

# Parcours du fichier source pour supprimer les chaînes contenues dans ma liste
for line in fichier:
for chaine in chaines:
if chaine in line:
fichier.remove(chaine)
fichier.close()

Mon problème se situe au niveau de "fichier.remove(chaine)" (je pense). Au lieu de supprimer que les éléments du texte contenu dans ma liste, le programme me vide l'intégralité du fichier.
Qu'est que j'ai mal défini dans mon programme.
L'objectif est de nettoyer un fichier xml et ne garder que le texte pour ensuite pouvoir compter le nombre de mots restant dans le fichier.
Merci de votre compréhension.

[VinsS]

Salut,

Avec replace() ce sera plus simple:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
 
fichier = open('C:/FRA/Imprimable.xml', 'r')
txt = fichier.read()
for chaine in chaines:
    txt.replace(chaine, '')

[zeng49]

Voici mon nouveau code en prenant en compte vos suggestions:

chaines= ['<Root>',
'<Article>',
'<Article_Guide level="1">',
'<Article_Guide level="2">',
'<Article_Guide level="3">',
'<Article_Guide level="4">',
'<Titre>',
'</Titre>',
'</Paragraphe>',
'<Paragraphe>',
'<Gras>',
'</Gras>']
fichier = open('C:/FRA/Imprimable.xml', 'r')
txt = fichier.read()
for chaine in chaines:
txt.replace(chaine, '')
fichier.close()

Le programme ne plante pas mais ne fait rien non plus. Manque t-il encore quelque chose à votre avis.

Merci

[VinsS]

Oui mais, c'est le texte txt qui est changé par le fichier. Celui-ci, de toutes façons est ouvert en lecture pas en écriture.

Fais un print avant et un autre après pour voir:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
txt = fichier.read()
print txt
for chaine in chaines:
    txt.replace(chaine, '')
print txt

[zeng49]

J'ai changé un peu mon code en ouvrant un fichier destination pour écriture qui doit recevoir le texte modifié.
Ce que je n'arrive pas à comprendre, c'est qu'au lieu de récupérer dans ce nouveau fichier mon texte de départ nettoyé de tous les éléments de ma liste "chaines", j'ai l'impression que toutes les lignes de fichiers de départ sont multipliés par autant d'éléments qu'il y a dans ma liste dans le fichier destination.
Non seulement mon texte n'est pas nettoyé mais il devient beaucoup plus volumineux. Par contre ça semble fonctionner si j'ai un seul élément dans la liste.
La création de liste est elle la meilleure façon pour aborder ce problème?


chaines= ['<Root>',
'<Article>',
'<Article_Guide level="1">',
'<Article_Guide level="2">',
'<Article_Guide level="3">',
'<Article_Guide level="4">',
'<Titre>',
'</Titre>',
'</Paragraphe>',
'<Paragraphe>',
'<Gras>',
'</Gras>']
fichier=open('C:/FRA/Imprimable.xml', 'r')
fichierD=open('C:/FRA/Imprimable2.xml', 'w')
txt = fichier.read()
for chaine in chaines:
ts=txt.replace(chaine, '')
fichierD.write(ts)
fichier.close()
fichierD.close()

[fred1599]

Il y a des solutions bien plus propre pour modifier, construire ou parser un fichier XML comme par exemple lxml

[wiztricks]

Salut,
Avec la balise "code", c'est quand même mieux.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
txt = fichier.read()
for chaine in chaines:
     ts=txt.replace(chaine, '')

le "str" étant immutable, txt n'est jamais modifié.
Le contenu de "ts" à la sortie sera txt.replace('</Gras>', '') txt étant ce qui a été lu.

Votre fichier étant un document XML, "virer" les balises (récupérer le text) pourrait être fait avec la bibliothèque adhoc: pas besoin de connaître les balises!

- W

[zeng49]

L'objectif ici c'est tout simplement de virer toutes les balises et ne garder que le texte. Je veux juste pouvoir compter le nombre de mots contenu dans mes fichiers sans les balises pour des besoins statistiques. La structure xml du fichier ne m'intéresse pas.

[wiztricks]

Salut,

L'objectif ici c'est tout simplement de virer toutes les balises et ne garder que le texte. Je veux juste pouvoir compter le nombre de mots contenu dans mes fichiers sans les balises pour des besoins statistiques. La structure xml du fichier ne m'intéresse pas.

Je pense avoir compris ce que vous vouliez faire: le "quoi".
Ma question porte sur le "comment".
Un document XML ayant une structure hiérarchique: on peut parcourir ses éléments (nœuds) et en extraire le "texte" sans en connaître "tags"/"balises".
Dit autrement, pour récupérer le "text", on peut coder cela ainsi:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import xml.etree.ElementTree as et
 
def g_text(node):
 
    for e in node.iter():
        if e.text:
            text = e.text.strip()
            if text:
                yield text
        g_text(e)
 
with open('C:/FRA/Imprimable.xml', 'r') as f:        
     tree = et.XML(f.read())
     text = ' '.join(list(g_text(tree)))
print (text)

- W