Discussion :

[GLDavid]

Bonjour à vous !

Voici mon problème. Voici un bout de code d'un fichier XML que je dois parser :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
 
<protein protein_name="IPI:IPI00026195.1" n_indistinguishable_proteins="7" probability="0.94" percent_coverage="11.4" unique_stripped_peptides="FSGSGSGTDFTLK" group_sibling_id="a" total_number_peptides="1">
         <annotation protein_description="Ig"/>
         <indistinguishable_protein protein_name="IPI:IPI">
            <annotation protein_description="IPI:IPI"/>         </indistinguishable_protein>
         <indistinguishable_protein protein_name="IPI:IPI00026175.1">
            <annotation protein_description="Ig"/>         </indistinguishable_protein>

Oui, je suis sûr que vous voyez déjà ma question : je souhaite récupérer la valeur de l'attribut protein_name dans la balise annotation en fonction du noeud parent c'est à dire en fonction des balises protein ou indistinguishable_protein.
Voici un bout de code de comment je récupère certaines données :

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
 
sub handle_start {
   my(@stack);
   my($name, $desc, $val, $sequence, $an);
   my( $expat, $protein, %attrs ) = @_;
   push( @stack, { protein_group=>$protein});
   if( %attrs ) {
        foreach my $key( keys %attrs ) {
            if ($key eq "group_number") {
                $gn = $attrs{$key};
                my($dbh) = DBI->connect("DBI:mysql:database=proteinprophet;host=localhost", 
                        "proteo", 
                        "kimduy",
                        {'RaiseError' => 1}
                );
   				my($query) = "insert into groupe values ('$gn', '$NOM');";
   				my($sth) = $dbh->do($query);
            }
            elsif ($key eq "protein_name" and $protein eq 'protein') {
                $name = $attrs{$key};
                $an = $name;
                my($dbh) = DBI->connect("DBI:mysql:database=proteinprophet;host=localhost", 
                        "proteo", 
                        "kimduy",
                        {'RaiseError' => 1}
                );
                my($query) = "insert into proteine (NomDossier, NumGroupe, AccessNumber) values ('$NOM', '$gn', '$name');";
   				 my($sth) = $dbh->do($query);
            }
}

Quelqu'un pourrait-il m'aider à améliorer mon parsing ?

Merci d'avance !

@++

PS : regardez Alien le tout premier, meilleur film à frissons de tout l'Univers !!!

[Choupi]

Hello,

Dans le module XML:arser, il y a un style Tree, je ne suis pas sur que cela puisse t'aider, en tout cas il construit un arbre ou chaque noeud correspond à un couple de Tag.

C'est peut etre une piste à suivre.

[dmitry_ovsianko]

Si ton objectif est de verser l'info XML en tableaux MySQL, peut-être, il vaut mieux ne pas du tout parser l'XML. Ton problème a une solution en pur XSLT:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
<xsl:template match="@group_number">
	insert into groupe values ('<xsl:value-of select="." />', '$NOM');
<xsl:template>
 
<xsl:template match="protein">
	insert into proteine (NomDossier, NumGroupe, AccessNumber) values ('$NOM', '<xsl:value-of select="../@group_number" />', '<xsl:value-of select="@protein_name" />');
<xsl:template>

En tout cas je conceillerrais de transformer d'abord XML en quelque texte (par exemple, en CSV).

[GLDavid]

Je remet à jour ce thread car il n'est pas résolu.
Pour mémoire, je dispose mettons d'un fichier XML suivant :

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
 
<?xml version="1.0" encoding="UTF-8"?>
<protein_summary execution_date="Thu Jul 15 10:55:53 2004" program_version="ProteinProphet.pl v2.0 AKeller August 15, 2003">
<protein_group group_number="1" probability="1.00">
      <protein protein_name="UniRef100_Q8IUB0" n_indistinguishable_proteins="10" probability="1.00" percent_coverage="3.2" unique_stripped_peptides="LPLQDVYK" group_sibling_id="a" total_number_peptides="1">
         <annotation protein_description="CTCL tumor antigen [Homo sapiens]"/>
         <indistinguishable_protein protein_name="UniRef100_Q9H2I7">
            <annotation protein_description="EF1a-like protein [Homo sapiens]"/>         
            </indistinguishable_protein>
         <indistinguishable_protein protein_name="UniRef100_Q96RE1">
            <annotation protein_description="Translation elongation factor 1 alpha 1-like 14 [Homo sapiens]"/>         
            </indistinguishable_protein>
         <indistinguishable_protein protein_name="UniRef100_Q8TBL1">
            <annotation protein_description="Hypothetical protein [Homo sapiens]"/>         
            </indistinguishable_protein>
         <indistinguishable_protein protein_name="UniRef100_Q16577">
            <annotation protein_description="Oncogene [Homo sapiens]"/>         
            </indistinguishable_protein>
         <indistinguishable_protein protein_name="UniRef100_Q96CD8">
            <annotation protein_description="Hypothetical protein [Homo sapiens]"/>         
            </indistinguishable_protein>
         <indistinguishable_protein protein_name="UniRef100_Q9NZS6">
            <annotation protein_description="Glucocorticoid receptor AF-1 specific elongation factor [Homo sapiens]"/>         
            </indistinguishable_protein>
         <indistinguishable_protein protein_name="UniRef100_Q96C29">
            <annotation protein_description="Hypothetical protein [Homo sapiens]"/>         
            </indistinguishable_protein>
         <indistinguishable_protein protein_name="UniRef100_Q05639">
            <annotation protein_description="Elongation factor 1-alpha 2 [Homo sapiens]"/>         
            </indistinguishable_protein>
         <indistinguishable_protein protein_name="UniRef100_P04720">
            <annotation protein_description="Elongation factor 1-alpha 1 [Homo sapiens]"/>         
            </indistinguishable_protein>
         <peptide peptide_sequence="LPLQDVYK" charge="2" initial_probability="0.96" nsp_adjusted_probability="1.00" weight="1.00" is_nondegenerate_evidence="Y" n_tryptic_termini="2" n_sibling_peptides="0.00" n_sibling_peptides_bin="0" n_instances="1" is_contributing_evidence="Y">
         </peptide>
      </protein>
</protein_group>
</protein_summary>

Ce que je veux, c'est rassembler certains datas importants de ce fichier et, pour le moment, les écrire dans un fichier. Voici mon code :

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
 
my $file = 'short.xml';
my $tree = XML::TreeBuilder->new();
 
$tree->parse_file($file);
 
foreach my $balise ($tree->find_by_tag_name('protein_group')){
    open FILE, ">>Results.txt" or die "Peut pas ouvrir Result.txt !!";
    $val = $balise->attr_get_i('group_number');
    print FILE "\nGroup number: $val\n";
    foreach my $balise2 ($tree->find_by_tag_name('protein')) {
    	my $ac = $balise2->attr_get_i('protein_name');
	my $proba = $balise2->attr_get_i('probability');
	my $coverage =$balise2->attr_get_i('percent_coverage');
	my $usp = $balise2->attr_get_i('unique_stripped_peptides');
	my $nom = $balise2->find_by_tag_name('annotation')->attr_get_i('protein_description');
	print FILE "$ac\t$nom\t$proba\t$coverage\t$usp\n";
	my $aci = $balise2->find_by_tag_name('indistinguishable_protein')->find_by_tag_name('annotation')->attr_get_i('protein_description');
	my $naci = $balise2->find_by_tag_name('indistinguishable_protein')->find_by_tag_name('annotation')->attr_get_i('protein_description');
	print FILE "$aci\t$naci\n";
	}
}

Malheureusement, il n'écrit que la première indistiguishable_protein mais pas les suivantes.
Quel est le problème ?

@ ++

[GLDavid]

Finalement, je pense avoir trouvé :

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
 
#!/usr/bin/perl
use warnings;
use XML::Parser;
use XML::TreeBuilder;
 
my $file = 'interact-prot.xml';
my $tree = XML::TreeBuilder->new();
 
$tree->parse_file($file);
#Proteine
foreach my $balise ($tree->find_by_tag_name('protein_group')){
    open FILE, ">>Results.txt" or die "Peut pas ouvrir Result.txt !!";
    $val = $balise->attr_get_i('group_number');
    print FILE "\nGroup number: $val\n";
    my $ac = $balise->find_by_tag_name('protein')->attr_get_i('protein_name');
    my $proba = $balise->find_by_tag_name('protein')->attr_get_i('probability');
    my $coverage =$balise->find_by_tag_name('protein')->attr_get_i('percent_coverage');
    my $usp = $balise->find_by_tag_name('protein')->attr_get_i('unique_stripped_peptides');
    my $nom = $balise->find_by_tag_name('protein')->find_by_tag_name('annotation')->attr_get_i('protein_description');
    print FILE "$ac\t$nom\t$proba\t$coverage\t$usp\n";
#}
#Indistinctes
foreach my $balise2 ($balise->find_by_tag_name('indistinguishable_protein')){
    my $aci = $balise2->attr_get_i('protein_name');
    my $naci = $balise2->find_by_tag_name('annotation')->attr_get_i('protein_description');
    print FILE "$aci\t$naci\n";
}
#Peptide
foreach my $balise3 ($balise->find_by_tag_name('peptide')){
    my $sequence = $balise3->attr_get_i('peptide_sequence');
    my $charge = $balise3->attr_get_i('charge');
    my $initproba = $balise3->attr_get_i('initial_probability');
    print FILE "$sequence\t$charge\t$initproba\n";
}
}

Merci à tout ceux qui se seront penchés (attention, les mecs vous allez tomber ) sur ce problème.

@ ++

[GLDavid]

Ok, l'algo est correct !

@ ++