Discussion :

[moook]

Bonjour,
Je viens chercher un peu d'aide pour la création d'une regexp.
Je suis entrain de faire un script qui execute la commande :
grep <balise> file.xml | sort | uniq -c

je récupère le résultat de la commande et je dois traiter chacune de ces lignes.
Chaque ligne de résultat se présente comme cela:
54 <balise>fashion/Femme/accessoires</balise>

Il faut que je récupère le contenu entre <balise></balise>
et que je récupère uniquement 'fashion' sachant que dans certains cas il y a qu'un seul mot entre <balise></balise> (il aurait pu y avoir <balise>fashion</balise>.

Je pense que cela est faisable avec une regexp mais je n'ai pas trouvé encore ce qu'il me faut...

Merci d'avance pour votre aide.

[Jedai]

Et bien j'aurais sans doute fais l'intégralité du processus en Perl, mais si tu as commencé comme ça :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

grep <balise> file.xml | sort | uniq -c | perl -pe 's{.*<balise>([^</]+)(/[^<]*)?</balise.*}{$1};'

NB : Manipuler du XML avec des regexp est toujours fragile et peu sûr... Il vaut mieux de loin utiliser un vrai parser XML.

--
Jedaï

[moook]

J'ai fais le process dans un script perl, voici le début de mon traitement :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
 
while(defined(my $filename = glob("*.xml"))){
 
        my @cat = `grep balise $path/file.xml | sort | uniq -c`;
 
        my $i = 0;
        while($cat[$i] ne ""){
                #delete spaces
                $cat[$i] =~ s/\s+//g;
 
                #recuperation du nom de la categorie, premier mot entre <balise></balise>
                #pour chacune de ces cat, recuperer le nombre du compteur affiché juste avant la chaine "<balise>"
        }
}

J'ai quand même essayé avec la ligne que tu m'as donnée mais ca ne marche pas...

[Jedai]

J'ai quand même essayé avec la ligne que tu m'as donnée mais ca ne marche pas...

La ligne que je t'ai donné, c'était à utiliser directement en ligne de commande : c'est ce qu'on appelle un uniligne (oneliner) Perl, où l'on utilise Perl directement en ligne de commande.
Si je voulais faire l'intégralité en Perl, j'utiliserais plutôt XML::Twig.

Si tu tapes direct en ligne de commande :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

grep <balise> file.xml | sort | uniq -c | perl -pe 's{.*<balise[^>]*>([^</]+)(/[^<]*)?</balise.*}{$1};'

Ca marchera, j'ai testé (du moins si ton XML ressemble à ce que tu as écris).

--
Jedaï

[moook]

C'est en ligne de commande que j'ai exécuté cette ligne.
il me dit :
bash: balise: No such file or directory

Pour le module xml, je ne peux pas installer de modules sur ma machine du coup je dois me débrouiller autrement.

[Jedai]

Oh.. D'accord, l'erreur vient du grep, j'ai juste recopié ce que tu avais marqué dans ton premier post, mais en fait les <> étaient de trop :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

grep '<balise' file.xml | sort | uniq -c | perl -pe 's{.*<balise[^>]*>([^</]+)(/[^<]*)?</balise.*}{$1};'

--
Jedaï

[moook]

En effet c'est beaucoup mieux et c'est ce résultat qu'il me faut, j'essaye de l'adapter pour mon script mais je galère

Est ce que tu peux me donner quelques pistes pour faire la même regexp mais dans mon script?

Merci

[Jedai]

Pourquoi -c dans uniq ? Tu supprimes le compte des occurences dans la regex suivante de tout façon...

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
#! /usr/bin/perl
use strict; use warnings;
 
my @lines;
while( <> ) {
  push @lines, $1 if m{<balise[^>]*>([^</]+)(/[^<]*)?</balise};
}
@lines = uniq(sort @lines);
 
sub uniq {
  no warnings "uninitialized";
  my $prec;
  grep {my $result = ($prec ne $_); $prec = $_; $result} @_;
}
__END__

--
Jedaï

[moook]

le -c me permet de compter le nombre de fois ou il trouve une catégorie dans le fichier xml .
ça me donne quelque chose comme ça:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
 
 
     54                 <cat>fashion/Femme/accessoires</cat>
    924                 <cat>fashion/Femme/accessoires/sacs</cat>
    2684                 <cat>fashion/Femme/chaussures</cat>
    253                   <cat>auto/berline</cat>
    520                   <cat>cuisine/ustensiles</cat>
    520                   <cat>hightech</cat>

moi je veux uniquement garder les catégories mères et comptabiliser le nb de résultat (je dois récup le compteur, d'ou le -c mais je ne procède peut etre pas correctement...). aprés le traitement il faut que j'ai quelque chose comme ça :

fashion: 3658 (54+924+2684)
auto : 253
cuisine: 520 ........

Dans certains cas, il y a une seule catégorie dans mon <cat></cat>
et donc par forcement de séparateur "/"

[Jedai]

Je vois, donc tu veux te servir du compte, ce n'était pas le cas dans la ligne que je t'ai donnée (et tu ne l'as pas demandé non-plus...).

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
#! /usr/bin/perl
use strict; use warnings;
 
my @lines;
while( <> ) {
  push @lines, $1 if m{<cat[^>]*>([^</]+)(/[^<]*)?</cat};
}
my %cats;
map { $cats{$_}++ } @lines;
 
for my $cat ( sort keys %cats ) {
  print "$cat : $cats{$cat}\n";
}
__END__

--
Jedaï

[moook]

ok, merci pour ta réponse,
Il faut que je parse plusieurs fichiers "*.xml"

J'ai essayé comme ceci mais ça ne fonctionne pas :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
$path = "...";
while(defined(my $filename = glob("$path*.xml"))){
       my @lines = `grep catkk $filename| sort | uniq -c`;
 
       [traitement que tu m'a donné]

[Jedai]

Le dernier code que je t'ai donné fait l'intégralité du travail, il suffit de lui passer en paramètre le nom du fichier que tu veux traiter. Et de le mettre dans une boucle si tu dois traiter plusieurs fichiers.

--
Jedaï