XMLParser

Script shell care citeste un fisier din, respectiv in format XML.

Motivatia

Acest script a fost realizat ca un exercitiu, atat pentru scriptarea in shell, cat si pentru utilizarea expresiilor regulate (RegEx) pentru a parsa, substitui si extrage continut text dupa formatul standard XML.

Scopul

Scopul acestui script este sa primeasca ca input numele unui fisier de tip XML aflat pe sistem, ca apoi sa-l „parseze” intr-o structura definita de noi, care apoi va fi folosita pentru a reconstrui continutul fisierului.

Functionalitate

• Scriptul a fost conceput sa mearga pe orice tip de shell care respecta standardul POSIX. In alte cuvinte, este portabil.
• Modul in care scriptul primeste argumente este unul conventional, definit de Ghidul de Sintaxa pentru Argumente Utilitare POSIX (POSIX Utility Argument Syntax Guidelines), care permite utilizatorilor sa foloseasca atat switch-uri pentru a schimba comportamentul programului (ex: -h, -g, -q, -gq, -o output.xml) cat si argumente pozitionale (ex: xml_file1.xml xml_file2.xml … xml_fileN.xml).
• Astfel, poate fi utilizat fara a fi nevoie de inputul utilizatorului in timpul rularii programului (poate fi utilizat fara probleme prin piping, de la STDIN la STDOUT)
• Scriptul poate fi utilizat pe post de „pretty printer”, pentru a reformata fisierul primit ca input intr-un mod foarte lizibil pentru oameni (cu indentari, formatarea atributelor, eliminarea liniilor goale s.a.m.d.), prin reconstruirea fisierului dupa reprezentarea interna (parsarea a eliminat posibilele formatari problematice)

Mecanisme software / algoritmi folositi

• Fisierul XML a fost mai intai pre-procesat: Toate indentarile (si spatii inutile de la final) au fost curatate, iar continutul tagurilor (ex: text) a fost pus pe o linie separata. Astfel, dintr-un fisier de forma:

<tag1>
<tag2>text</tag2>
</tag1>

Dupa pre-procesare, a ajuns de forma

<tag1>
<tag2>
text
</tag2>
</tag1>

Astfel, continutul de pe linii este foarte predictibil si usor de parcurs liniar

• Apoi, linie cu linie, s-a construit un arbore de sintaxa (evident sub forma de string) prin tokenizarea elementelor de pe linii separate, avand structura unei liste de adiacenta
• Exemplu: pentru fisierul de mai sus, graful va arata asa:

tag1[]: tag2[ _text="text"]
tag2[ _text="text"]:

( caracterul : de fapt delimiteaza tatal de copiii lui )

• Odata ce acest arbore a fost construit si se afla in memorie, pentru ca fisierul XML sa fie reconstruit, arborele este parcurs in adancime.