Traitement XML

Version imprimable

Traitement XML

Bonjour à tous et merci d'avance à ceux qui pourront m'aider.

Je dois traiter des fichiers xml en récupérant les informations contenus dedans.

J'arrive à récupérer quasiment toutes les informations contenu dans les balises toutefois, d'un XML à un autre, une balise précises, peut contenir une sous balise et c'est là que je bloque.

Voici le XML :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 <BODY> <SECTION> <IT1><B>blablabla...</B></IT1> <PAR>blablabla...<BR/></PAR> <PAR>blablabla...<BR/></PAR> </SECTION> <SECTION> <IT1><B>blablabla</B></IT1> <PAR>blablabla...(<I>lire en page 3).</I><BR/></PAR> </SECTION> <ENCADRE> <ETX><B><I>blablabla</I></B></ETX> <ETX><B><I>blablabla</I></B></ETX> </ENCADRE> </TEXTE> </BODY> <PDF id="20130809_REN_002" nature="page"/> </DOC-PRESSED>
Je n'ai pas pris la peine d'ajouter le reste car il m'est facile d'y récupérer les informations.

Comme vous pouvez le voir dans l'exemple, il peut parfois apparaître dans la balise <TEXTE>==><PAR> comme parfois dans la balise <SECTION>==><PAR> des sous balises <IT1> ou <I> etc...

Voici la commande que je tape pour récupérer toutes les balises <PAR> contenu dans <TEXTE>
Code:

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 from xml.dom import minidom def getText(nodelist): rc = [] for node in nodelist: if node.nodeType == node.TEXT_NODE: rc.append(node.data) return ''.join(rc) try : dom = minidom.parse(ficXML) root = dom.documentElement except : print "erreur" break if (root.getElementsByTagName("TEXTE")): texte = root.getElementsByTagName("TEXTE")[0] par = texte.getElementsByTagName("PAR") i=0 for i, tmp in enumerate(par): if (texte.getElementsByTagName("PAR")[i]): words = getText(texte.getElementsByTagName("PAR")[i].childNodes).strip().encode("utf-8") print words i+=1 else: continue
Ce script m'affiche les textes sans le texte contenu dans <I>.

En Perl, il m'est facile d'afficher tout le contenu de la balise <TEXTE> avec les lignes suivantes :
Code:

1 2 print $noeuds->find_by_tag_name("TEXTE")->as_text;
Il m'affiche tout le texte même ceux dans les sous balises.

Malheureusement, avec Python, je ne trouve pas le moyen d'afficher le texte mise à part me déplacer dans les sous balises etc...

Est-ce possible de supprimer ces balises pour que son contenu fasse partie de la balise Parents <PAR>?

Est-ce possible de savoir si une balise possède une balise enfant (car il n'y est pas systématiquement).

Je ne suis pas obligé d'utiliser xml.dom.
Merci d'avance pour votre aide.

Cordialement.

16/08/2013, 10h00
thelvin

Je me suis effectivement déjà posé la question et n'ai pas trouvé d'autre solution qu'une approche récursive : parcourir tous les descendants et concaténer tous les nœuds texte rencontrés.

Sinon, ça vaut la peine d'essayer la bibliothèque tierce pxdom.
Ils disent qu'ils gèrent le W3C DOM Level 3, ce qui devrait donc permettre de lire .textContent

Cela peut se faire comme ça.

Code:

1
2
3
4
5
6
7
8
9
10
def getText(nodelist):
    rc = []
    for node in nodelist:
        if node.nodeType == node.TEXT_NODE:
            rc.append(node.data)
        if node.nodeType == node.CDATA_SECTION_NODE:
            rc.append(node.data)
        if node.nodeType == node.ELEMENT_NODE:
            rc.append(getText(node.childNodes))
    return ''.join(rc)

16/08/2013, 19h52
kaiser6684

Merci beaucoup!!
Cela fonctionne parfaitement!

Quand je pense que j'ai passé une journée dessus pour rien...
Merci à tout le monde de votre aide.
16/08/2013, 20h04
kaiser6684

Ah juste au cas où....
Tu saurais comment avant tout traitement du fichier XML, supprimer toutes les balises vides?
Merci d'avance.

Citation:

...supprimer toutes les balises vides?

Ca peut interpréter ou se prendre plusieurs sens. Si je comprends bien, vous pouvez faire ça comme point de départ.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
def getText(nodelist):
    rc=[]
    for node in nodelist:
        if node.nodeType == node.TEXT_NODE:
            if node.data.strip()=='':
                return ''
            else:
                rc.append(node.data.strip())
        if node.nodeType == node.CDATA_SECTION_NODE:
            if node.data.strip()=='':
                return ''
            else:
                rc.append(node.data.strip())
        if node.nodeType == node.ELEMENT_NODE:
            s=getText2(node.childNodes)
            if s!='':
                rc.append(s)
    return ''.join(rc)

17/08/2013, 09h45
kaiser6684

Je n'ai pas été assez précis.
Enfaite, lorsque je parse le fichier XML, je souhaiterai à ce moment là, que le parser ne parse pas les balises vides :
Exemple :
<Balise1 />
<Balise2></Balise2>

En Perl, avec cette commande c'est possible :
$xml = XMLin("exemple.xml",SuppressEmpty => 1);
17/08/2013, 09h56
tsuji

Ca n'ai pas d'effet visible; et puis minidom se fait d'economie judicieux d'après les auteurs.
17/08/2013, 09h58
kaiser6684

J'aurais peut être du travailler avec un autre module.
Merci de ta réponse et de ton aide