Discussion :

[Mathusalem]

Bonjour à tous

Je travaille en python 3.3 et j'ai grand besoin d'un coup de main !

Je récupère dans un traitement un bout de XML et je dois en extraire des données.


Exemple de XML :

<?xml version=1.0" ?><t><h t="Link/Namespace Attribute Content" u=""><d n="id" t="long"/><d n="scopeId" t="long"/><d n="type" t="String"/><d n="name" t="String"/><d n="no" t="long"/><d n="qual" t="String"/><d n="language" t="String"/></h><r><c>9117</c><c>0</c><c>NAM/SERVICE</c><c>DSC</c><c>1</c></r><r><c>9122</c><c>0</c><c>NAM/SERVICE</c><c>Gestions</c><c>1</c></r><r><c>9550</c><c>0</c><c>NAM/SERVICE</c><c>Juridique</c><c>1</c></r><r><c>16443</c><c>0</c><c>NAM/SERVICE</c><c>Ingénierie Produit</c><c>1</c></r></t>"

Résultat attendu : une chaine de caractères "DSC,Gestions,Juridique,Ingénierie Produit"


J'ai donc commencé par essayer de parser mon XML ainsi

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
def parseXML(file):
    xml_file_handle = open(file,'r')
    xml_as_string = xml_file_handle.read()
    xml_file_handle.close()
 
    xml_cleaned = re.sub(u'[^\n\r\t\x20-\x7f]+',u'',xml_as_string)
    root = ET.fromstring(xml_cleaned)

Ca ne fonctionne pas parce que mon XML est "not well-formed"
Il y a des quotes à des endroits bizarres.

Je change de stratégie et j'essaye des regexeps.
J'arrive à quelque chose ainsi

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
def findInXML(file):
    xml_file_handle = open(file,'r')
    xml_as_string = xml_file_handle.read()
 
    m = re.search(r'(.*)<c>NAM(.*)</c><c>(.*)</c><c>(.*)</c>',xml_as_string)
    if m:
        print(m.group(3))
 
    else:
        print('No Match !')

Manque de bol, ça ne récupère qu'une des occurences et non pas toutes.

Après un tour dans la doc, je tente avec findall()

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
def findInXML2(file):
    xml_file_handle = open(file,'r')
    xml_as_string = xml_file_handle.read()
 
    p = re.compile(r'<c>NAM/SERVICE</c><c>(.*)</c><c>[0-9]</c><c>')
    result = p.findall(xml_as_string)
    print(result[0])

Là ça ne marche pas du tout, la regexp me ressort tout le fichier...
Est-ce que vous sauriez comment

• Faire le parsing d'un XML "not well-formed"
• Utiliser findall() pour enfin arriver à mes fins ?
• Une autre méthode plus adaptée ?

En pièce jointe le XML d'exemple.
Je vous remercie !





le code complet

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
#!/usr/bin/env python3
# -*- coding: iso-8859-15 -*-
# tested with python 3.3
 
import xml.etree.ElementTree as ET
import re
 
def main():
    file = 'exemple 2.xml'
    findInXML2(file)
 
def findInXML2(file):
    xml_file_handle = open(file,'r')
    xml_as_string = xml_file_handle.read()
 
    p = re.compile(r'<c>NAM/SERVICE</c><c>(.*)</c><c>[0-9]</c><c>')
    result = p.findall(xml_as_string)
    print(result[0])
 
 
 
def findInXML(file):
    # ...
    #<c>0</c>
    #<c>NAM/SERVICE</c>
    #<c>DSC</c>
    #<c>1</c>
    # ...
    #<c>0</c>
    #<c>NAM/SERVICE</c>
    #<c>Gestions</c>
    #<c>1</c>
    #...
    #find = 'NAM/SERVICE'
    #return 'DSC,Gestions,Juridique'
    xml_file_handle = open(file,'r')
    xml_as_string = xml_file_handle.read()
 
    m = re.search(r'(.*)<c>NAM(.*)</c><c>(.*)</c><c>(.*)</c>',xml_as_string)
    if m:
        print(m.group(3))
 
    else:
        print('No Match !')
 
 
 
def parseXML(file):
    #ne fonctionne "XML declaration not well-formed"
    xml_file_handle = open(file,'r')
    xml_as_string = xml_file_handle.read()
    xml_file_handle.close()
 
    xml_cleaned = re.sub(u'[^\n\r\t\x20-\x7f]+',u'',xml_as_string)
    root = ET.fromstring(xml_cleaned)
 
if __name__ == "__main__":
    main()