xmllint学習 #2 namespaceを持ったXMLのxpathでのパース方法

まったくnamespaceでコントロールするXMLほど扱いにくいものはありません。 ネットでも、みんなパースするのに苦労しているようです。 でも、SVGもOfficeドキュメントも、東証資料のXBRLも、どれも複数のnamespaceで構成されていて、ここから逃げることはできなさそうです。 それなら、ちゃんと向き合ってnamespaceパースをxmllintでできるようにしておきたいと思います。

Officeドキュメントのパース

<?xml version="1.0" encoding="UTF-8" standalone="yes"?> <p:sld xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:p="http://schemas.openxmlformats.org/presentationml/2006/main"><p:cSld><p:spTree><p:nvGrpSpPr><p:cNvPr id="1" name=""/><p:cNvGrpSpPr/><p:nvPr/></p:nvGrpSpPr><p:grpSpPr><a:xfrm><a:off x="0" y="0"/><a:ext cx="0" cy="0"/><a:chOff x="0" y="0"/><a:chExt cx="0" cy="0"/></a:xfrm></p:grpSpPr><p:sp><p:nvSpPr><p:cNvPr id="2" name="Title 1"/><p:cNvSpPr><a:spLocks noGrp="1"/></p:cNvSpPr><p:nvPr><p:ph type="title"/></p:nvPr></p:nvSpPr><p:spPr/><p:txBody><a:bodyPr/><a:lstStyle/><a:p><a:r><a:rPr lang="en-US" dirty="0" smtClean="0"/><a:t>{page-2:title}</a:t></a:r><a:endParaRPr lang="en-US" dirty="0"/></a:p></p:txBody></p:sp><p:sp><p:nvSpPr><p:cNvPr id="3" name="Content Placeholder 2"/><p:cNvSpPr><a:spLocks noGrp="1"/></p:cNvSpPr><p:nvPr><p:ph idx="1"/></p:nvPr></p:nvSpPr><p:spPr/><p:txBody><a:bodyPr/><a:lstStyle/><a:p><a:pPr marL="0" indent="0"><a:buNone/></a:pPr><a:r><a:rPr lang="en-US" dirty="0" smtClean="0"/><a:t>{page-2:txt}</a:t></a:r><a:endParaRPr lang="en-US" dirty="0"/></a:p></p:txBody></p:sp></p:spTree><p:extLst><p:ext uri="{BB962C8B-B14F-4D97-AF65-F5344CB8AC3E}"><p14:creationId xmlns:p14="http://schemas.microsoft.com/office/powerpoint/2010/main" val="2873090306"/></p:ext></p:extLst></p:cSld><p:clrMapOvr><a:masterClrMapping/></p:clrMapOvr></p:sld> pptxをzip解凍した時になかのスライド情報が入っているデータファイルですが、この中身の<a:t>部分にアタッチしてみたいと思います。 まず、ベースのnamespaceにアタッチするには・・・ $ xmllint --xpath "/*[local-name()='sld' and namespace-uri()='http://schemas.openxmlformats.org/presentationml/2006/main']" slide.xml <p:sld xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:p="http://schemas.openxmlformats.org/presentationml/2006/main"><p:cSld><p:spTree><p:nvGrpSpPr><p:cNvPr id="1" name=""/><p:cNvGrpSpPr/><p:nvPr/></p:nvGrpSpPr><p:grpSpPr><a:xfrm><a:off x="0" y="0"/><a:ext cx="0" cy="0"/><a:chOff x="0" y="0"/><a:chExt cx="0" cy="0"/></a:xfrm></p:grpSpPr><p:sp><p:nvSpPr><p:cNvPr id="2" name="Title 1"/><p:cNvSpPr><a:spLocks noGrp="1"/></p:cNvSpPr><p:nvPr><p:ph type="title"/></p:nvPr></p:nvSpPr><p:spPr/><p:txBody><a:bodyPr/><a:lstStyle/><a:p><a:r><a:rPr lang="en-US" dirty="0" smtClean="0"/><a:t>{page-2:title}</a:t></a:r><a:endParaRPr lang="en-US" dirty="0"/></a:p></p:txBody></p:sp><p:sp><p:nvSpPr><p:cNvPr id="3" name="Content Placeholder 2"/><p:cNvSpPr><a:spLocks noGrp="1"/></p:cNvSpPr><p:nvPr><p:ph idx="1"/></p:nvPr></p:nvSpPr><p:spPr/><p:txBody><a:bodyPr/><a:lstStyle/><a:p><a:pPr marL="0" indent="0"><a:buNone/></a:pPr><a:r><a:rPr lang="en-US" dirty="0" smtClean="0"/><a:t>{page-2:txt}</a:t></a:r><a:endParaRPr lang="en-US" dirty="0"/></a:p></p:txBody></p:sp></p:spTree><p:extLst><p:ext uri="{BB962C8B-B14F-4D97-AF65-F5344CB8AC3E}"><p14:creationId xmlns:p14="http://schemas.microsoft.com/office/powerpoint/2010/main" val="2873090306"/></p:ext></p:extLst></p:cSld><p:clrMapOvr><a:masterClrMapping/></p:clrMapOvr></p:sld> root階層からのデータが全て拾えました。 さらに、その個階層にあたる"a:t"へのアタッチは・・・ $ xmllint --xpath "//*[local-name()='t' and namespace-uri()='http://schemas.openxmlformats.org/drawingml/2006/main']" slide.xml <a:t>{page-2:title}</a:t><a:t>{page-2:txt}</a:t> 非常に長いコマンドですが、それぞれのnamespaceにアタッチするたびに"local-name()"と"namespace-uri()"をセットしなければいけません。

shellオプション

xmllintはshellオプションという強力なxmlパーサー機能を持っています。 簡単に説明すると、xml内の階層を、shellコマンドのように、cd(chenge-directory)したり、内容をcatしたり、することができる言わば対話式にパースすることが出来る機能です。 通常の使い方は以下のとおりです。 $ xmllint --shell %xmlファイル > du 内容の階層を全て表示... > ls 同階層のリスト表示 > cat 内容テキストの表示 .. などなど 以下のようにパイプつなぎで書くこともできます。 ※ヘルプの表示 $ echo "help" |xmllint --shell sample.xml / > base display XML base of the node setbase URI change the XML base of the node bye leave shell cat [node] display node or current node cd [path] change directory to path or to root dir [path] dumps informations about the node (namespace, attributes, content) du [path] show the structure of the subtree under path or the current node exit leave shell help display this help free display memory usage load [name] load a new document with name ls [path] list contents of path or the current directory set xml_fragment replace the current node content with the fragment parsed in context xpath expr evaluate the XPath expression in that context and print the result setns nsreg register a namespace to a prefix in the XPath evaluation context format for nsreg is: prefix=[nsuri] (i.e. prefix= unsets a prefix) setrootns register all namespace found on the root element the default namespace if any uses 'defaultns' prefix pwd display current working directory whereis display absolute path of [path] or current working directory quit leave shell save [name] save this document to name or the original name write [name] write the current node to the filename validate check the document for errors relaxng rng validate the document agaisnt the Relax-NG schemas grep string search for a string in the subtree ファイル名は意味はないのですが、こうすることで何ができるかがよく分かります。 そして、namepaceの対応は以下のようにすると取得できます。 $ xmllint --shell slide2.xml / > setns a=http://schemas.openxmlformats.org/drawingml/2006/main / > cat //a:t/text() ------- {page-2:title} ------- {page-2:txt} でも、残念ながら、パイプで繋いでいく方式は、１つのコマンドしかechoで送ることができないので、1ライナーで行う場合は、--xpath方式で行うのが良さそうです。 とりあえず、xmlの各要素にアタッチすることができたので、ある程度の作業はできそうですね。