XMLパーサーをPerl，VisualBasicから使う

XML用ライブラリ，XML::ParserとMS XML Parser2.0を使ってみる

XMLパーサーをPerl,VisualBasicから使う

　あれから，XMLについて勉強を進めてみました．

Unicode

まず，日本語の文字化けの件について．これは，Microsoft XMLパーサの仕様ということになりますが，日本語については，Unicode形式で取り扱うことになるようです．つまり，この内容をメモ帳に貼り付けて，

<?xml version="1.0"?>

<albums>
<album>
<band>AION</band>
<title>Aionism</title>
<comment></comment>
</album>
<album>
<band>ALCATRAZZ</band>
<title>Alcatrazz</title>
<comment>Yngwieのギターが速いぞ</comment>
</album>
<album>
<band>AMORPHIS</band>
<title>Elegy</title>
<comment></comment>
</album>
</albums>

メモ帳で「ファイルを名前を付けて保存」とし，「Unicodeで保存する」にチェックを入れて保存します． (WindowsNTではできますが，Win95, 98でできるかどうかはわかりません)

これで，Internet Explorer 5.0で日本語が正しく表示されるようになります．

また，XMLファイル内で明示的にエンコーディングを指定するには，先頭行を下記のように記述すればＯＫです．

<?xml version="1.0" encoding="UTF-16"?>

で，Microsoft XMLパーサ以外を使った場合にどうなるかですが，とりあえず環境が手に入ったということで， Perl for Win32の XML::Parser モジュールを使ってみました．すると，これも同じで，Unicodeで用意しておく必要がありました．
例えばTreeスタイルを使う場合，こんな感じで初期化します．

$p = new XML::Parser(
　　　　ErrorContext => 2,
　　　　Style => 'Tree',
　　　　ProtocolEncoding => 'UTF-16');

補足
この件について，Itou-T15さんから指摘があり，また日経ソフトウェアの記事にもあったのですが， Microsoft XMLパーサでは，encoding="Shift_JIS" が使用することで， Shift JISコードの漢字を扱えるようです．失礼いたしました．

↑

XML::Parser

XML::Parser とは，PerlでXMLファイルを扱うための汎用ライブラリです．

今回，XML::Parserを使ってPerl for Win32で苦心惨憺で作ったアルバム情報抽出プログラムを，載せてみます．全然Perlらしくないプログラムだとは思いますが，お目こぼしあれ．

use XML::Parser;

$html2 = <<EOF;
<albums>
<album>
<band>AION</band>
<title>Aionism</title>
<comment></comment>
</album>
<album>
<band>ALCATRAZZ</band>
<title>Alcatrazz</title>
<comment>Yngwie</comment>
</album>
<album>
<band>AMORPHIS</band>
<title>Elegy</title>
<comment></comment>
</album>
</albums>
EOF


$p = new XML::Parser(
　　ErrorContext => 2,
　　Style => 'Tree',
　　ProtocolEncoding => 'UTF-16');

$html2 =~ s/\n//g;
$r_tree = $p->parse($html2);

@albums = getAlbums( $r_tree);

open(OUTFILE, '>b.txt');

print OUTFILE $albums[2]{comment};

close(OUTFILE);


sub getAlbums
{
　　my ($r_parsedTree) = @_;
　　my ($albumNo, $elmNo, $r_albumCont);
　　my (@rslt);
　　my (%rsltWork);

　　$albumNo = 1;
　　while ( defined( $r_parsedTree->[1][$albumNo*2-1])) {

　　　　if ( $r_parsedTree->[1][$albumNo*2-1] eq 'album') {

　　　　　　$r_albumCont = $r_parsedTree->[1][$albumNo*2];
　　　　　　$elmNo = 1;

　　　　　　while ( defined( $r_albumCont->[($elmNo-1)*2+1]) )
　　　　　　{
　　　　　　　　$elmName = $r_albumCont->[($elmNo-1)*2+1];
　　　　　　　　if ( defined( $r_albumCont->[($elmNo-1)*2+2][2]) ) {
　　　　　　　　　　$rsltWork{$elmName} =
　　　　　　　　　　　　$r_albumCont->[($elmNo-1)*2+2][2];
　　　　　　　　}
　　　　　　　　$elmNo++;
　　　　　　}
　　　　　　$rslt[$albumNo] = { %rsltWork}; # 無名ハッシュ化
　　　　　　$albumNo++;
　　　　}
　　}
　　return (@rslt);
}

XML文書中の改行の考え方で苦労しました．結局このプログラムでは， parseをかける前に改行を除去しています．なんか根本的に考えかたがおかしいのだろうか．

関数 getAlbums はハッシュの配列を返します．例えば1つめのアルバムの，commentは，

@albums = getAlbums( $r_tree);
print $albums[0]{comment};

で出力することができますので，関数インタフェイスとしてはまずまずだと思うのですが，内部でやっている処理は，かなり汚いです．

種をあかすと，Treeスタイルでparseすることによって取得できる木構造を，こんな感じで図解して，配列の添え字を考えています．

[albums, [{}, album, [{}, band, [{}, 0, AION],
                          title, [{}, 0, Aionism],
                          comment, [{} ]
                     ]
              album, [{}, band, [{}, 0, ALCATRAZZ],
                          title, [{}, 0, Alcatrazz],
                          comment, [{}, 0, Yngwie]
                     ]
         ]
]

で，これが改行を除去しないままで処理すると，こんな感じになるのです．

[albums, [{}, 0, \n, album, [{}, 0, \n, band, [{}, 0, AION],
                                 0, \n, title, [{}, 0, Aionism],
                                 0, \n, comment, [{} ]
                            ]
              0, \n, album, [{}, 0, \n, band, [{}, 0, ALCATRAZZ],
                                 0, \n, title, [{}, 0, Alcatrazz],
                                 0, \n, comment, [{}, 0, Yngwie]
                            ]
         ]
]

\nというデータが，有効なデータとして取得されているのが邪魔だと言うわけです．

まあとにかく，Perlで木構造を扱うのは私には難しい．．．慣れれば良いのでしょうけどねえ

↑

Microsoft XML Parser

他にフリーで利用できるXMLパーサとして，Microsoft XML Parserがあります．ちなみに，Microsoft XML Parser 2.0は，
http://msdn.microsoft.com/downloads/tools/xmlparser/xmlparser.asp

から xmlredist.exe としてダウンロード可能です．

ただし，インストールする環境には Internet Explorer 4.01SP1以上が必要です．いわゆるCOMサーバですので，NewなりCreateObject()なり行って使うことになります．

補足
これまたItou-T15さんから指摘がありましたが，IE5.0環境では， Microsoft XML Parser 2.0は既に組み込まれています．従って，このモジュールを適用する必要はありません．説明不足ですみませんでした．

これを使った場合，Visual Basicに慣れている人なら，かなり簡単にXMLファイルの木構造を操作することができます．コレクション操作になるわけです． Visual Basicを起動して，「Microsoft XML Parser 2.0」を参照設定すると，下図のようなオブジェクトが使えるようになります．

VBの場合，Unicodeが簡単に扱えるのも強みかなあ．．．

VB6+MSXMLParser2.0で同じようなプログラムを書いてみました．

Private Sub txtShow_Click()
　　Dim xd As MSXML.DOMDocument
　　Dim xdnAlbum As MSXML.IXMLDOMNode
　　Dim blnSuccess As Boolean
　　Dim lngAlbumNo As Long
　　Dim colWork As Collection

　　Set xd = CreateObject("Microsoft.XMLDOM")

　　blnSuccess = xd.Load("F:\kamoi\work\XML\album.xml")

　　If Not blnSuccess Then
　　　　MsgBox "Can't load xml"
　　　　Exit Sub
　　End If

　　lngAlbumNo = 1

　　' レコード抽出
　　Set xdnAlbum = xd.childNodes(1).childNodes(lngAlbumNo - 1)

　　' レコード構成要素抽出
　　Set colWork = getNodeTextCollection(xdnAlbum)

　　With Me
　　　　.txtBand.Text = colWork("band")
　　　　.txtTitle.Text = colWork("title")
　　　　.txtContents.Text = colWork("comment")
　　End With

　　Set colWork = Nothing
End Sub

Private Function getNodeTextCollection( _
　　ByRef rxdnPar As MSXML.IXMLDOMNode) As Collection

　　Dim xdnWork As MSXML.IXMLDOMNode
　　Dim colRslt As New Collection
　　Dim strNodeName As String
　　Dim vntNodeText As Variant

　　For Each xdnWork In rxdnPar.childNodes
　　　　strNodeName = xdnWork.nodeName
　　　　vntNodeText = xdnWork.Text
　　　　colRslt.Add vntNodeText, strNodeName
　　Next xdnWork

　　Set getNodeTextCollection = colRslt

End Function