accueil | bào1 | bào2 | bào3 | bào4 | bào + le_trameur
Boîte à outils n°1
Objectif : extraire d'une arborescence de fils RSS les contenus textuels des balises "titre" et "description".
Ressources
- Une arborescence de fils RSS
- parcours-arborescence-fichiers.pl : programme permettant de parcourir une arborescence
Réalisation
Les fils RSS nous ont été fournis dans deux formats différents : XML et texte (Lexico3). Comme seuls les fichiers XML nous intéresse, j'ai tout d'abord supprimé les fichiers inutiles. Une fois dans le répertoire <Jan> :
$ rm ./*/*/*.txt
Pour récupérer le contenu des balises "title" et "description" j'ai préferé une évaluation XPath :
//item/description/preceding-sibling::title[1] | //item/title/following-sibling::description[1]
A noter qu'avant d'écrire mon programme j'ai pu tester cette évaluation avec des outils XML comme Cooktop ou XML Copy Editor.
Enfin, au fil du projet, j'ai apporté diverses modifications au programme afin d'améliorer la qualité du résultat :
- tri numérique du contenu des dossiers afin d'avoir les fils dans le bon ordre
- remplacement des entités html par les caractères correspondants.
- suppression des balises <a> <p> <img> et de leurs contenus
- suppression des doublons au sein d'un même fichier XML en entrée
Fichiers : bao1.pl
Résultat
Pour accéder à l'ensemble des fichiers produits : cliquer ici.
Liens
Cooktop : http://www.xmlcooktop.com/
XML Copy Editor : http://xml-copy-editor.sourceforge.net/