Discussion :

[longbeach]

Bonjour,
En C,
Je dois parser un fichier XML afin de supprimer certains caracteres indesirables ( des caracteres ASCII
et des signes > et < ).
Existe-t-il un parser qui permet de faire ça rapidement ? Sachant que la taille du fichier XML
peut varier de 5 MB à 300 MB.
Quelqu'un a t'il deja implemente une telle solution ?

Ou sinon quelqu'un a t'il deja ecrit un tel programme, sans faire appel à un parser ?

Merci pour vos pistes et suggestions.

[ronan99999]

Tu as un trés bon parseur disponible ici:
http://xmlsoft.org/

[longbeach]

Merci
tu as un exemple simple d'utilisation sur un fichier XML, pour l'appliquer à mon cas ?
Sinon je suis preneur d'autres parseurs ou solutions (mais en C).

[Gruik]

Salut

Si tes fichiers contiennent des < > dans les données, alors ce ne sont pas des fichiers xml => ce n'est pas un parser xml qu'il te faut

[ronan99999]

Exact, il ne passeront pas dans un parser xml->document mal formé

Tu peux donner un exemple d'un de tes exemples de document à corriger.

Les erreurs se situe dans les noms de sections attributs....?
Tu peux peut-etre te'n tirer avec des expressions réguliéres (malheureusement ce ne sera pas forcément trés rapide) ?

[longbeach]

pourquoi ce n'est pas un fichier XML ?
Je pense que ça reste un fichier XML, mais mal formé.
L'utilisation de parser n'est vraiment pas possible du coup ?

Je n'ai pas de fichier exemple mais je pense par exemple que ça pourrait être ça:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
 
<?xml version="1.0" encoding="ISO-8859-1"?>     
<titi>
<toto> bla > blabla </toto>   // caractere > à remplacer par un blanc
</titi>

Et dans un 2eme temps j'aurai un autre type de caractères à supprimer, des carrés:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
 
<?xml version="1.0" encoding="ISO-8859-1"?>     
<titi>
<toto> bla *signesCarrés*  blabla </toto>   // les caracteres carrés à remplacer par un blanc
</titi>

Merci

[Gruik]

Ca depend où sont placés les < >
Qu'est ce que tu veux que le parser fasse lorsqu'il rencontre ceci

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

<abc> texte texte <def texte texte texte</abc>

?

Il risque de croire que "def" est un element et "texte" sont des attributs.
C'est ce qu'il se pase chez firefox, dans une page html de ce style : tout ce qu'il ya entre <def et avant </abc> est jarté

C'est défini nulle part ces comportements, tout simplement parce que c'est plus du xml.

Pour les signes carrés, je pense pas que ça pose probleme, tant que c'est valide pour le charset donné.

[longbeach]

Donc ce que tu me dis c'est qu'il n'est pas possible de parser un fichier XML non valide ?
C'est vrai aussi que je n'ai pas de DTD ou schéma XML sur lesquels m'appuyer.

Quelles solutions preconisees vous dans ce cas là ?
Comment faire ?

Merci

[Gruik]

Je dis juste qu'on sait pas ce que va faire le parser, mais si tu veux faire des essais pour les charger avec libxml, peut etre que le resultat serait satisfaisant.

Je preconiserais de faire sa propre moulinette (en langage de scripts, plus facile qu'en C, on peut utiliser les expressions regulieres et tout ça), en ayant connaissance des cas qui se presentent.
Si tu connais la liste des tags (sans avoir de DTD), tu peux recuperer tous les <> qui ne concernent pas l'ouverture et la fermeture de ces tags

[Thierry Chappuis]

Peut-on utiliser une solution similaire à xhtml en remplacer '<' et '>' par &lt; et &gt; respectivement?

Thierry

[Gruik]

Bein oui, mais il faudrait pas remplacer les <> qui concernent les balises du xml du fichier

Sinon, si tu avais les moyens de regenerer ces fichiers, l'ideal serait d'entourer le texte d'une section CDATA

[longbeach]

je pense effectivement qu'il vaut mieux que je passe pas les epxressions regulieres, et que je laisse tomber le parsing.

Dans ce cas, avez-vous des idées ? Je suis sous Unix :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

 sed -e 's/>/eee/' exemple.xml > newfile

Par exemple, la merveilleuse commande sed me remplace les caractères > par eee mais evidemment ça va me remplacer les > des balises XML aussi, ce que je ne veux pas. Comment faire pour exclure les balises de la substitution ?

Merci

[Gruik]

Ca doit etre faisable en une seule commande sed, mais elle doit etre super complexe, et je connais pas sed
J'aurais plutot vu ça au travers d'un algo :
1) recuperer les tags et leurs positions
2) pour chaque morceau de chaine entre les tags, remplacer les <> (et les caracteres chiants)

Je pensais à un script php avec un coup de preg_match_all (avec l'option PREG_OFFSET_CAPTURE) et une boucle qui recrée la chaine complete en traitant les souschaines entre les tags.