Comparer des chaînes de caractères et ajouter un élément à partir du contenu d'un autre élément

Version imprimable

Bonjour à tous,

Avant de vous exposer mon problème, voici un échantillon de mon fichier :

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
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
59
60
61
62
63
<DICTIONNAIRE departement="Aisne" dep="02">
 
    <article id="DT02-00001" pg="1">
        <vedette>
            <pg>1</pg>
            <sm>Abancourt,</sm>
        </vedette>
        <definition>
            <typologie>fief</typologie>, <localisation>commune de <commune precision="certain">Brenelle</commune>
            </localisation>*; <typologie>vassal</typologie> de <localisation>Pontarcy</localisation>.
        </definition>
    </article>
 
    <article type="commune" id="DT02-00830" pg="39">
        <vedette>
            <sm>Brenelle,</sm>
        </vedette>
        <definition>
            <localisation>canton de Braine</localisation>.
        </definition>
        <insee>02120</insee>
    </article>
 
    <article id="DT02-00003" pg="1">
        <vedette>
            <sm>Abbaye (L’),</sm>
        </vedette>
        <definition>
            <typologie>ferme et moulin à eau</typologie>, <localisation>commune de <commune precision="certain">Bucilly</commune>
            </localisation>.
        </definition>
    </article>
 
    <article type="commune" id="DT02-00926" pg="43">
        <vedette>
            <sm>Bucilly,</sm>
        </vedette>
        <definition>
            <localisation>canton d’Hirson</localisation>.
        </definition>
        <insee>02131</insee>
    </article>
 
<article id="DT02-02196" pg="109">
      <vedette>
         <sm>Ferrières,</sm>
      </vedette>
      <definition>
         <typologie>ferme</typologie>, <localisation>commune de <commune precision="certain">la Ferté-Chevresis</commune>
         </localisation>.</definition>
</article>
 
<article type="commune" id="DT02-02197" pg="109">
      <vedette>
         <sm>Ferté-Chevresis (La),</sm>
      </vedette>
      <definition>
         <localisation>canton de Ribemont</localisation>.
      </definition>
      <insee>02306</insee>
</article>
 
</DICTIONNAIRE>

Dans mon fichier, chaque article de @type "commune" a un code INSEE placé dans l'élément <insee>.
Les articles concernant des fermes, hameaux, moulins, etc., se trouvant dans une commune n'ont quant à eux pas de code INSEE, et je souhaite leur attribuer celui de leur commune de rattachement, que j'ai identifiée grâce à l'élément <commune> dans <localisation>.
Pour ce faire, il faut que je compare le contenu de mes éléments <commune> avec celui de tous les vedette/sm de mon fichier (sachant que le nom des communes n'est pas toujours écrit de la même manière dans l'un et dans l'autre comme c'est le cas pour la Ferté-Chèvresis dans cet exemple), et ainsi récupérer le code INSEE pour le mettre dans un élément <insee_commune>.

J'ai essayé d'écrire une XSLT mais je n'ai pas réussi...

Voilà ce que j'ai fait :

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
<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
    xmlns:xs="http://www.w3.org/2001/XMLSchema" exclude-result-prefixes="xs" version="2.0">
 
    <xsl:output method="xml" indent="yes"/>
 
    <xsl:template match="node() | @*">
        <!-- Copie à l'identique du fichier XML -->
        <xsl:copy>
            <xsl:apply-templates select="node() | @*"/>
        </xsl:copy>
    </xsl:template>
 
    <xsl:template match="article[not(@type)]">
        <xsl:copy>
            <xsl:apply-templates select="node() | @*"/>
            <xsl:if test="contains(DICTIONNAIRE/article/vedette/sm[1], definition/localisation[1]/commune)">
                <xsl:element name="insee_commune">
                    <xsl:value-of select="DICTIONNAIRE/article/insee"/>
                </xsl:element>
            </xsl:if>
        </xsl:copy>
    </xsl:template> 
 
</xsl:stylesheet>

J'ai également tenté cela :

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
<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
    xmlns:xs="http://www.w3.org/2001/XMLSchema" exclude-result-prefixes="xs" version="2.0">
 
    <xsl:output method="xml" indent="yes"/>
 
    <xsl:template match="node() | @*">
        <!-- Copie à l'identique du fichier XML -->
        <xsl:copy>
            <xsl:apply-templates select="node() | @*"/>
        </xsl:copy>
    </xsl:template>
 
    <xsl:template match="DICTIONNAIRE">
        <xsl:copy>
            <xsl:apply-templates select="node() | @*"/>
            <xsl:if test="contains(../vedette/sm[1], definition/localisation[1]/commune)">
                <xsl:for-each select="article[not(@type)]">
                    <xsl:element name="insee_commune">
                        <xsl:value-of select="article/insee"/>
                    </xsl:element>
                </xsl:for-each>
            </xsl:if>
        </xsl:copy>
    </xsl:template>
</xsl:stylesheet>

Je ne sais plus trop comment faire...
Pouvez-vous m'aider ?
Merci ! :)

15/02/2018, 10h31
Kamkamy

Est-ce que quelqu'un aurait une idée qui pourrait m'aider ? :calim2:
15/02/2018, 15h04
thelvin

Je veux dire, ton problème c'est qu'un e avec accent c'est pas la même chose qu'un e sans accent. Donc bon ben 'faut convertir tes chaînes en une sorte de version canonique de manière d'écrire un nom de ville.

De toute façon je te l'ai déjà dit, ce que tu fais là c'est pas transformer des données, c'est ajouter des nouvelles données. Un ordinateur c'est pas fait pour ça. C'est pour ce genre de travail qu'on a des humains, il faut bien que les sacs à viande servent à quelque chose.
15/02/2018, 16h13
Kamkamy

Oui c'est justement mon but d'ajouter de la donnée pour enrichir mes fichiers, mais je veux pouvoir l'automatiser car j'ai de nombreux fichiers, qui sont eux-mêmes très lourds. Si je pouvais le faire manuellement, je le ferais, ce serait beaucoup plus simple, mais ce n'est pas possible.
Là ce ne sont pas tellement les accents qui me posent problème, c'est plutôt le fait que les mots ne soient pas écrits dans le même ordre dans les deux endroits que je souhaite comparer (par exemple "Ferté-Chevresis (La)" et "la Ferté-Chevresis").
Et je n'arrive pas à écrire ma règle XSL pour que ça fonctionne.
15/02/2018, 16h34
thelvin

Commence déjà par te demander comment tu expliquerais à un enfant de 7 ans que ces deux villes qui ne s'écrivent pas pareil sont censées être les mêmes, parce qu'en changeant ceci ou cela on finit par avoir la même chose.
Si tu ne peux pas faire ça, tu es pas prête de pouvoir le faire avec un ordinateur.

A part ça, c'est une chose de vouloir faire de la création de données automatique avec un ordinateur, mais dans ce cas il vaut mieux utiliser un langage de programmation pour décrire les données avec lesquelles on travaille. Un langage de transformation ça ne va pas t'aider.
15/02/2018, 16h47
Kamkamy

Quel langage de programmation je peux utiliser pour faire ça alors ?

Ce qu'on peut se douter c'est pourquoi on choisit volontairement de mettre les données tout mêlé plutôt que les données nettes: il n'y a pas de raison de se fabriquer des problèmes pour soi-même... Avec sm, pourquoi <sm>Bucilly,</sm> plutôt que <sm>Bucilly</sm> ? Pour la Ferté-Chevresis et Ferté-Chevresis (La), même c'est très problèmatique de faire matcher par la fonction contains(), on peut accorder un oeil plus sympathique puisque dans le réel, tout le monde ne accorde pas à tout le monde ! C'est dommage mais c'est comme ça.

Citation:

Quel langage de programmation je peux utiliser pour faire ça alors ?

En xslt 2.0 on a déjà beaucoup enrichi quant à la traitement des textes et de les faire analyser. On peut le faire avec xslt 2.0. Mais comme le problème se pose tellement capricieux et les données se rendent tellement librement sans être guidé par des principes directeurs, une solution, parmi d'autre, pourrait paraître excessivement arbitraire et elle ne serrait pas parue robuste, du tout. L'ingrédient central est de trouver un moyen de débarrasser des bruits dans chacune des données - et c'est pénible. Mais, si je puis dire, on peut se tirer une bonne leçon de xslt 2.0 tout de même - et c'est l'essentiel de ce genre d'exercice.

Je peux vous donner une solution en employant des outils disponible en 2.0 plus avancé; si vous ne comprenez pas tout de suite, je ne peux rien - il vous faut remplaçer des lacunes, syntaxe et raisonnement, vous-même en étudiant la téchnologie lui-même par des tutoriels et articles...
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 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 <xsl:stylesheet version="2.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" xmlns:xs="http://www.w3.org/2001/XMLSchema" xmlns:udf="urn:tsuji:dvp" exclude-result-prefixes="xs udf"> <xsl:output method="xml" indent="yes"/> <xsl:variable name="ssm_raw" as="xs:string*"> <xsl:sequence select="/DICTIONNAIRE/article[insee]/vedette/sm/text()" /> </xsl:variable> <xsl:variable name="ssm" as="xs:string*"> <xsl:sequence select="udf:stripping(/DICTIONNAIRE/article[insee]/vedette/sm/text())" /> </xsl:variable> <xsl:template match="*|@*|text()"> <xsl:copy> <xsl:apply-templates select="*|@*|text()"/> </xsl:copy> </xsl:template> <xsl:template match="article[not(@type)]"> <xsl:copy> <xsl:apply-templates select="*|@*|text()"/> <xsl:if test="some $sm in $ssm satisfies contains($sm, udf:stripping(current()/definition/localisation/commune/text()))"> <xsl:element name="insee_commune"> <xsl:value-of select="$ssm_raw[udf:index-of($ssm, udf:stripping(current()/definition/localisation/commune/text()))]" /> </xsl:element> </xsl:if> </xsl:copy> </xsl:template> <xsl:function name="udf:index-of" as="xs:integer*"> <xsl:param name="sseq" as="xs:string*" /> <xsl:param name="s" as="xs:string" /> <xsl:for-each select="$sseq"> <xsl:if test="contains(., $s)"> <xsl:sequence select="position()" /> </xsl:if> </xsl:for-each> </xsl:function> <xsl:function name="udf:stripping" as="xs:string*"> <xsl:param name="sseq" as="xs:string*" /> <xsl:for-each select="$sseq"> <xsl:variable name="s" select="." /> <xsl:variable name="s1" select="replace($s, ',|\.', ' ')" /> <xsl:variable name="s2" select="replace($s1, '(^|\s+)le(\s+|$)|(^|\s+)$le$(\s+|$)l''', ' ', 'i')" /> <xsl:variable name="s3" select="replace($s2, '(^|\s+)la(\s+|$)|(^|\s+)$la$(\s+|$)', ' ', 'i')" /> <xsl:sequence select="normalize-space($s3)" /> </xsl:for-each> </xsl:function> </xsl:stylesheet>
Pour éviter des remarques inutiles, je dis plutôt tout de suite que je n'ai pas essayé de faire le code le plus raccouci possible en sacrificiant lisibilité et puis que la pièce central udf:stripping se prête dans cette forme à élaborer si les données de sm et commune sont mis en place avec des principes rigoreux plutôt, il me semble, que alléatoires. A ce moment, la fonction essais de traiter des particules qui semblent des bruits : la virgule, les articles le, la, Le, La, (le), (la), (Le), (La), ... C'est tellement arbitraire, oui, et qu'on ne me donne une leçon superflue de ça, je sais très bien ces métiers.

20/02/2018, 16h45
Kamkamy

Bonjour,

Merci beaucoup pour votre aide !! :D

Ça fonctionne bien, en revanche tous mes éléments <localisation> ne comportent pas systématiquement l'élément <commune>, et cela pose problème pour

Code:

<xsl:value-of select="$ssm_raw[udf:index-of($ssm, udf:stripping(current()/definition/localisation/commune/text()))]" />

car udf:index-of n'autorise pas que son deuxième argument soit vide... :?

On peut elaborer le conditionnel pour s'accommoder pour les cas où la 'definition' puisse ne pas avoir 'localisation' comme enfant et puis la 'localisation' puisse ne pas avoir 'commune' comme enfant... comme ça.
Code:

1 2 3 4 5 6 7 8 9  <xsl:if test="current()/definition[localisation] and current()/definition/localisation[commune] and (some $sm in $ssm satisfies contains($sm, udf:stripping(current()/definition/localisation/commune/text()))) ">
J'avais mis current() là où on peut l'épargner tout à fait; mais ces choses deviennent difficile à lire au fur et à mesure et c'est pour ça j'avais l'y mis.

Les regex's dans la fonction udf:stripping contienent l'erreur dans la partie traitant l' et aussi je pense je devrais regrouper les composants des ou's (|) pour faciliter à lire, voici une version corrigée. Prenez attention s'il vous plaît.
Code:

1 2 3 4 5 6 7 8 9 10 11 12 <xsl:function name="udf:stripping" as="xs:string*"> <xsl:param name="sseq" as="xs:string*" /> <xsl:for-each select="$sseq"> <xsl:variable name="s" select="." /> <xsl:variable name="s1" select="replace($s, ',|\.', ' ')" /> <xsl:variable name="s2" select="replace($s1, '((^|\s+)le(\s+|$))|((^|\s+)$le$(\s+|$))|((^|\s+)l'')', ' ', 'i')" /> <xsl:variable name="s3" select="replace($s2, '((^|\s+)la(\s+|$))|((^|\s+)$la$(\s+|$))', ' ', 'i')" /> <xsl:sequence select="normalize-space($s3)" /> </xsl:for-each> </xsl:function>

22/02/2018, 10h09
Kamkamy

D'accord merci :)

Un autre problème se pose lorsque j'effectue la transformation : j'ai l'erreur suivante :

"Effective boolean value is not defined for a sequence of two or more items starting with a numeric value"

Qu'est-ce que cela signifie ?

Cela semble suggérer que 'definition' ou plus vraisemblablement 'location' ou 'commune' ne soit pas unique... dans ces cas, ils peuvent poser de problème plus loin même cette erreur trouvant ne bonne résolution.

On peut utiliser la fonction exists() pour éviter les cas ou le teste retourne plusieurs au lieu qu'un singleton comme ça.
Code:

1 2 3 4 5 6 <xsl:if test="exists(current()/definition[localisation]) and exists(current()/definition/localisation[commune]) and (some $sm in $ssm satisfies contains($sm, udf:stripping(current()/definition/localisation/commune/text()))) ">

26/02/2018, 14h47
Kamkamy

D'accord merci je vais tester ça :)