XML データの処理

XML文書は木構造
木構造で身近な例と言えばディレクトリツリー
ディレクトリツリーと言えば ls -l *.txt みたいに glob パターンが便利
glob のように XML 文書のノードの集合を表す表現があったら便利なのでは？
その便利な表現が XPath だ！

というわけで XPath 使います。

なお、メモリ内の XML データの処理の記事を見ると、下記３つの方法があります。（Version 2.0 には Select-XML がないので、XML を扱うには .NET Framework を利用する必要があります。）

今回は 2 を選択しますが、XPath ナビゲーションによるノードの選択にあるように 1 の Dom モデルでも XPath が使えます。

XPath の使い方

だいたい次のコードで使えます。

$xml_doc = [xml](cat $path -enc $encoding)
$xml_nav = $xml_doc.CreateNavigator()
$xml_nav.Select("XPath式") | %{$_.Value}

XML ファイルを読み込んで XmlDocumentにキャスト
CreateNavigator()メソッドで、XPathNavigatorオブジェクトを作成
Select(String)メソッドで、 XPath 式を元にノード（XPathNavigatorオブジェクト）のイテレーターを選択
%{$_.Value} を噛ませて値を取得

チートシート

XPath の例を眺めてれば目的の式が見つかると思います。

使ってみる

XML ファイルからデータを抽出するコードを XPath で書いてみる

対象のXML ファイル

構成は下記のような感じ。
- 要素TargetElem1が複数存在する。
- 要素TargetElem1は入れ子にならない（要素TargetElem1に子要素TargetElem1は存在しない）
- 要素TargetElem1は要素TargetElem2を０または１個含む。

<Root>
  ...
  <TargetElem1 ... TargetAttr1 = "foo" ... >
    ...
    <TargetElem2 ... TargetAttr1 = "baz" />
    ...
  </TargetElem1>
  ...
  <TargetElem1 ... TargetAttr1 = "bar" ... >
    ...
  </TargetElem1>
  ...
</Root>

出力形式

出力形式（抽出したい情報）は下記のデータをタブ区切りで１行ずつ列挙する
- ファイル名
- TargetAttr1の値
- TargetAttr2の値（なければ記述不要）

file1.xml   foo baz
file1.xml   bar
...

ツール

使えるスクリプト言語のは最初から入ってる PowerShell V2 のみ
- 会社のPC {OS : Windows7} はイントラネットのみの接続
- ソフトウェアのインストールは会社で定められたもののみ、それ以外は不可

コード

正規表現を使ったコード

filter my-grep
{
  Param ($Name, [Parameter(ValueFromPipeline=$True)] $RawLine)

  switch -regex ($RawLine)
  {
    "<TargetElem1" {$line = @($Name, $RawLine -replace ".*TargetAttr1 *= *`"(.*?)`".*", '$1')}
    "<TargetElem2" {$line += $RawLine -replace ".*TargetAttr2 *= *`"(.*?)`".*", '$1'}
    "</TargetElem" {$line -join "`t"}
  }
}

$xml_path = "xmlが格納されているディレクトリのパス"
$out_file = "結果のリダイレクト先のファイル名"

ls $xml_path | %{cat $_.fullname -enc utf8 | my-grep $_.name} > $out_file

XPath を使ったコード

filter get-TargetElem1 ($path, $encoding)
{
  $xml_doc = [xml](cat $path -enc $encoding)
  $xml_nav = $xml_doc.CreateNavigator()
  $xml_nav.Select("//TargetElem1")
}

filter my-grep
{
  Param ($Name, [Parameter(ValueFromPipeline=$True)] $TargetElem1)

  $line = @($Name, $TargetElem1.GetAttribute("TargetAttr1", ""))
  $line += $TargetElem1.Select(".//TargetElem2/@TargetAttr2") | %{$_.Value}
  $line -join "`t"
}

$xml_path = "xmlが格納されているディレクトリのパス"
$out_file = "結果のリダイレクト先のファイル名"

ls $xml_path | %{get-TargetElem1 $_.fullname -enc utf8 | my-grep $_.name} > $out_file

感想

正規表現よりは断然使いやすいです。ただ、いちいち%{$_.Value}やらGetAttributeを噛ませるのも面倒なので、下記のように、$xml_doc.SelectNodes("XPath式")して、あとは DOM モデルでよしなにしたほうが楽な気もします。

filter get-TargetElem1 ($path, $encoding)
{
  $xml_doc = [xml](cat $path -enc $encoding)
  xml_doc.SelectNodes("//TargetElem1")
}

filter my-grep
{
  Param ($Name, [Parameter(ValueFromPipeline=$True)] $TargetElem1)

  $line = @($Name, $TargetElem1.TargetAttr1)
  $line += $TargetElem1.SelectNodes(".//TargetElem2") | %{$_.TargetAttr2}
  $line -join "`t"
}

$xml_path = "xmlが格納されているディレクトリのパス"
$out_file = "結果のリダイレクト先のファイル名"

ls $xml_path | %{get-TargetElem1 $_.fullname -enc utf8 | my-grep $_.name} > $out_file

PowerShell と XPath