Extraktion von Daten aus einer einfachen XML-Datei

Question

Ich habe eine XML-Datei mit dem Inhalt:

<?xml version="1.0" encoding="utf-8"?>
<job xmlns="http://www.sample.com/">programming</job>

Ich brauche einen Weg, um zu extrahieren, was sich in der <job..> </job> Tags, in diesem Fall programmin. Dies sollte in der Linux-Eingabeaufforderung mit grep/sed/awk geschehen.

Answer 1

Wollen Sie wirklich müssen nur diese Werkzeuge verwenden? Sie sind nicht für die XML-Verarbeitung konzipiert, und obwohl es möglich ist, etwas zu erhalten, das die meiste Zeit über gut funktioniert, wird es in Grenzfällen wie Kodierung, Zeilenumbrüchen usw. versagen.

Ich empfehle xml_grep:

xml_grep 'job' jobs.xml --text_only

Dies ergibt die Ausgabe:

programming

Unter ubuntu/debian ist xml_grep im Paket xml-twig-tools enthalten.

Answer 2

 grep '<job' file_name | cut -f2 -d">"|cut -f1 -d"<"

Answer 3

Verwendung von xmlstarlet:

echo '<job xmlns="http://www.sample.com/">programming</job>' | \
   xmlstarlet sel -N var="http://www.sample.com/" -t -m "//var:job" -v '.'

Answer 4

Bitte verwenden Sie kein zeilen- und regexbasiertes Parsing von XML. Das ist eine schlechte Idee. Sie können semantisch identisches XML mit unterschiedlicher Formatierung haben, und Regex und zeilenbasiertes Parsing kommen damit einfach nicht zurecht.

Dinge wie unäre Tags und variabler Zeilenumbruch - diese Schnipsel "sagen" das Gleiche:

<root>
  <sometag val1="fish" val2="carrot" val3="narf"></sometag>
</root>

<root>
  <sometag
      val1="fish"
      val2="carrot"
      val3="narf"></sometag>
</root>

<root
><sometag
val1="fish"
val2="carrot"
val3="narf"
></sometag></root>

<root><sometag val1="fish" val2="carrot" val3="narf"/></root>

Damit ist hoffentlich klar, warum es schwierig ist, einen Regex/Zeilen-basierten Parser zu erstellen? Glücklicherweise müssen Sie das nicht. Viele Skriptsprachen haben mindestens eine, manchmal auch mehrere Parser-Optionen.

Wie ein Vorposter bereits angedeutet hat - xml_grep ist verfügbar. Das ist eigentlich ein Tool, das auf dem XML::Twig Perl-Bibliothek. Sie verwendet jedoch "xpath-Ausdrücke", um etwas zu finden, und unterscheidet zwischen Dokumentstruktur, Attributen und "Inhalt".

Z.B.:

xml_grep 'job' jobs.xml --text_only

Im Interesse besserer Antworten finden Sie hier jedoch einige Beispiele für die Erstellung eigener Antworten auf der Grundlage Ihrer Quelldaten:

Erster Weg:

Utilice twig handlers die Elemente eines bestimmten Typs auffängt und auf sie einwirkt. Der Vorteil dieser Vorgehensweise ist, dass das XML "während der Bearbeitung" geparst wird und Sie es bei Bedarf während der Bearbeitung ändern können. Dies ist besonders nützlich, um "verarbeitetes" XML zu verwerfen, wenn Sie mit großen Dateien arbeiten, indem Sie purge o flush :

#!/usr/bin/perl

use strict;
use warnings;

use XML::Twig;

XML::Twig->new(
    twig_handlers => {
        'job' => sub { print $_ ->text }
    }
    )->parse( <> );

Das wird die <> um Eingaben entgegenzunehmen (über die Pipeline oder über die Befehlszeile angegeben) ./myscript somefile.xml ) und verarbeiten sie - jede job Element, wird der zugehörige Text extrahiert und gedruckt. (Sie möchten vielleicht print $_ -> text,"\n" um einen Zeilenvorschub einzufügen).

Da es auf "Job"-Elemente abgestimmt ist, wird es auch auf verschachtelte Job-Elemente abgestimmt:

<job>programming
    <job>anotherjob</job>
</job>

wird zweimal übereinstimmen, aber auch einen Teil der Ausgabe zweimal ausgeben. Sie können jedoch eine Übereinstimmung mit /job wenn Sie dies bevorzugen. Nützlich - damit können Sie z. B. ein Element drucken und löschen oder ein Element kopieren und einfügen und dabei die XML-Struktur ändern.

Alternativ - zuerst parsen und dann anhand der Struktur "drucken":

my $twig = XML::Twig->new( )->parse( <> );
print $twig -> root -> text;

Als job Ihr Root-Element ist, brauchen wir nur den Text zu drucken.

Aber wir können ein bisschen anspruchsvoller sein und auf Folgendes achten job o /job und drucken Sie stattdessen genau das:

my $twig = XML::Twig->new( )->parse( <> );
print $twig -> findnodes('/job',0)->text;

Sie können verwenden XML::Twig s pretty_print um auch Ihre XML-Datei neu zu formatieren:

XML::Twig->new( 'pretty_print' => 'indented_a' )->parse( <> ) -> print;

Es gibt eine Vielzahl von Ausgabeformaten, aber für einfachere XML-Dateien (wie Ihre) sehen die meisten ziemlich ähnlich aus.

Answer 5

Verwenden Sie einfach awk, Sie brauchen keine anderen externen Tools. Unten funktioniert, wenn die gewünschten Tags in Multitine erscheinen.

$ cat file
test
<job xmlns="http://www.sample.com/">programming</job>
<job xmlns="http://www.sample.com/">
programming</job>

$ awk -vRS="</job>" '{gsub(/.*<job.*>/,"");print}' file
programming

programming