【解决】40元求xml信息获取

lxh623

http://www.bathome.net/thread-56119-1-1.html
上次求了一次，觉得不够用。
第一，上一次的加上一个字段——篇名。（xml名字）有时候想找字。
第二，关于悉昙字和兰札字。

<char xml:id="SD-A442">
	<charName>CBETA CHARACTER SD-A442</charName>
	<charProp>
		<localName>Romanized form in CBETA transcription</localName>
		<value>ki</value>
	</charProp>
	<charProp>
		<localName>Character in the Siddham font</localName>
		<value>丁</value>
	</charProp>
	<charProp>
		<localName>Romanized form in Unicode transcription</localName>
		<value>ki</value>
	</charProp>
	<mapping cb:dec="1066050" type="PUA">U+104442</mapping>
</char>
<char xml:id="RJ-CAC5">
	<charName>CBETA CHARACTER RJ-CAC5</charName>
	<charProp>
		<localName>Romanized form in CBETA transcription</localName>
		<value>hri</value>
	</charProp>
	<charProp>
		<localName>rjchar</localName>
		<value>岒</value>
	</charProp>
	<charProp>
		<localName>Romanized form in Unicode transcription</localName>
		<value>hri</value>
	</charProp>
	<mapping cb:dec="1100485" type="PUA">U+10CAC5</mapping>
</char>
复制代码

第一个来自于T21n1320，第二个是T21n1419。
除了篇名，字符名，还有四个值。
还想要一个值，就是正文，得到字符名称后，搜索。比如，<g ref="#RJ-CB60">&#1100640;</g>或者<g ref="#SD-A44A">&#1066058;</g>。这一串或者中间的值，都可以。
结果当然需要UTF8。而且这个字符是乱码。仍然得到，主要是以后可以替换。

谢谢！

奇怪，浏览器乱码显示的数字大概就是最后一个字段括号内的数字，但是，替换的话，可能最好提取内容。

lxh623

谢谢两位。

WHY

保存为 E:\XML\Test.ps1
运行方法：脚本用右键单击，选择 "使用 PowerShell 运行"
或者，在 cmd 命令行下，输入 PowerShell -exec bypass "&'E:\XML\Test.ps1'" 回车运行

$srcDir  = 'E:\xml';              #存放xml文件的目录路径
$dstFile = 'E:\xml\Result.csv';   #输出文件路径

$xml = New-Object System.XML.XmlDocument;
$fs  = New-Object System.IO.StreamWriter($dstFile, $false, [Text.Encoding]::UTF8);
$files = dir -Literal $srcDir -Filter *.xml -Recurse | ?{$_ -is [IO.FileInfo]}
$count = $files.Count;

for($i=0; $i -lt $count; $i++){
    $xml.load($files[$i].FullName);
    $hash = @{};
    forEach( $node In $xml.GetElementsByTagName('g') ){
        $key = $node.ref;
        if( !$hash.ContainsKey($key) ){ $hash[$key] = $node.innerText; }
    }
    forEach( $node In $xml.GetElementsByTagName('char') ){
        $arr  = @($files[$i].BaseName, '0', '0', '0', '0', '0', '0', '0', '0');
        $k = 3; $id = $node.id;
        if( $id -ne $null ) { $arr[1] = $id; }
        if( $node.charName -ne $null ) { $arr[2] = $node.charName; }
        $k = 3;
        forEach( $prop In $node.charProp ) {
            $value = $prop.value;
            if( $value -ne $null ) { $arr[$k++] = $value; }
        }
        forEach( $mapp In $node.mapping ) {
            $type = $mapp.type;
            if( $type -ne $null ) {
                if( $type.EndsWith('unicode') ){
                    $arr[6] = $mapp.innerText;
                } elseif( $type -eq 'PUA' ){
                    $arr[7] = $mapp.innerText;
                }
            }
        }
        if( $hash.ContainsKey('#' + $id) ){ $arr[8] = $hash['#' + $id]; }
        $fs.WriteLine('"' + ($arr -join  '","') + '"' );
    }
    if($i % 500 -eq 0 ) { $fs.Flush(); }
}

$fs.Flush();
$fs.Dispose();
echo 'Done'
[console]::ReadLine();
复制代码

共9列：文件名，id，charName，value，value，value，unicode，PUA，搜索结果g

$srcDir  = 'E:\xml';              #存放xml文件的目录路径
$dstFile = 'E:\xml\Result.csv';   #输出文件路径

$xml = New-Object System.XML.XmlDocument;
$fs  = New-Object System.IO.StreamWriter($dstFile, $false, [Text.Encoding]::UTF8);
$files = dir -Literal $srcDir -Filter *.xml -Recurse | ?{$_ -is [IO.FileInfo]}
$count = $files.Count;

for($i=0; $i -lt $count; $i++){
    $xml.load($files[$i].FullName);
    $mgrNS = New-Object System.XML.XmlNameSpaceManager($xml.NameTable);
    $mgrNS.AddNameSpace('ns', $xml.DocumentElement.NameSpaceURI);    #xml命名空间

    forEach( $node In $xml.SelectNodes('//ns:char', $mgrNS) ){
        $arr = @($files[$i].BaseName, '0', '0', '0', '0', '0', '0', '0', '0');
        $id  = $node.id;
        if( $id -ne $null ) { $arr[1] = $id; }                        #第2列：id
        if( $node.charName -ne $null ) { $arr[2] = $node.charName; }  #第3列：charName
        $k = 3; 
        forEach( $prop In $node.charProp) {
            $value = $prop.value;
            if( $value -ne $null ) { $arr[$k++] = $value; }           #第4-6列：value
        }
        forEach( $mapp In $node.mapping ) {
            $type = $mapp.type;
            if( $type -ne $null ) {
                if( $type.EndsWith('unicode') ){
                    $arr[6] = $mapp.innerText;          #第7列：type='unicode'对应的文字
                } elseif( $type -eq 'PUA' ){
                    $arr[7] = $mapp.innerText;          #第8列：type='PUA'对应的文字
                }
            }
        }
        $g = $xml.SelectSingleNode('//ns:g[@ref="#' + $id + '"]', $mgrNS);
        $text = $g.innerText;
        if( $text -ne $null ){ $arr[8] = $text; }       #第9列：节点g属性ref="#id"对应的文字
        $fs.WriteLine('"' + ($arr -join  '","') + '"' );
    }
    if($i % 500 -eq 0 ) { $fs.Flush(); }
}

$fs.Flush();
$fs.Dispose();
echo 'Done';
[console]::ReadLine();
复制代码

zaqmlp

回复 3# lxh623

<# :
cls
@echo off
cd /d "%~dp0"
powershell -NoProfile -ExecutionPolicy bypass "Invoke-Command -ScriptBlock ([ScriptBlock]::Create([IO.File]::ReadAllText('%~f0',[Text.Encoding]::Default))) -Args '%~dp0'"
pause
exit
#>
$path=$args[0];
$outfile=$path+'#result.csv';
$enc=[Text.Encoding]::UTF8;
$fs=New-Object System.IO.FileStream($outfile, [System.IO.FileMode]::Create);
$sw=New-Object System.IO.StreamWriter($fs, $enc);
$files=@(dir -liter $path -recurse|?{('.xml' -eq $_.Extension) -and ($_ -is [System.IO.FileInfo])});
for($i=0;$i -lt $files.length;$i++){
  write-host $files[$i].FullName;
  $text=[IO.File]::ReadAllText($files[$i].FullName, $enc);
  $m1=[regex]::matches($text, '<char xml:id="([^"]*?)">([\s\S]+?)</char>');
  if($m1.count -ge 1){
  foreach($k in $m1){
    $arr=@($files[$i].BaseName,'','','','','','','','','');
    
    $a=$k.groups[1].value;
    $arr[1]=$a;

    $b=[regex]::match($k.groups[2].value,'[^>]+(?=</charName>)');
    if($b.success){$arr[2]=$b.groups[0].value;};
    
    $m2=[regex]::matches($k.groups[2].value, '(?<=<value>).+?(?=</value>)');
    $n=3;
    if($m2.count -ge 1){
        foreach($v in $m2){
            $arr[$n]=$v.groups[0].value;
            $n++;
        };
    };
    
    $f=[regex]::match($k.groups[2].value,'<mapping type="[^"]*?unicode">([\s\S]+?)</mapping>');
    if($f.success){$arr[6]=$f.groups[1].value;};
    
    $g=[regex]::match($k.groups[2].value,'type="PUA">([\s\S]+?)</mapping>');
    if($g.success){$arr[7]=$g.groups[1].value;};
    
    $h=[regex]::match($k.groups[2].value,'cb:dec="([^"]+?)".+?type="PUA"');
    if($h.success){$arr[8]=$h.groups[1].value;};
    
    $reg='<g ref="#'+$a+'">(.+?)</g>'
    $p=[regex]::match($text, $reg);
    if($p.success){$arr[9]=$p.groups[1].value;};
    
    $line=$arr -join ',';
    $sw.WriteLine($line);
    $sw.Flush();
  };
  };
};
$sw.Close();
$fs.Close();
复制代码

lxh623

回复 2# zaqmlp

链接：https://pan.baidu.com/s/1YxgNeeQUNBCl0Iz5bNvkoQ
提取码：ix0w

与上次一样，得到excel。
篇名，字符名，三个<value>，最后一个PUA后面的值。
<char xml:id="SD-A442">得到字符名，正文有一段代码。

或者，上次的补加一些字段。

这次专门做一个搜索<g ref="#RJ-CB60">&#1100640;</g>，得到所有类似的代码。

谢谢！

zaqmlp

完全看不懂要提取什么，发图示标明提取位置并把测试文件打包上传或发网盘