XML থেকে Excel-এ কনভার্ট করুন

ট্রির ভেতরে সারি খুঁজে বের করা

XML-এ টেবিলের কোনো ধারণা নেই, তাই প্রথম কাজ হলো কোন এলিমেন্টগুলো রেকর্ড, তা চিহ্নিত করা। নির্ভরযোগ্য সংকেত হলো পুনরাবৃত্তি: একটি প্যারেন্ট এলিমেন্টের ভেতরে একই নামের অনেকগুলো চাইল্ড থাকলে প্রায় সবসময়ই সেটি রেকর্ডের তালিকা, আর সেই চাইল্ডদের নিজস্ব চাইল্ড এলিমেন্ট ও অ্যাট্রিবিউট হয়ে যায় কলাম। ডেটা XML-এর বিপুল অংশে — এক্সপোর্ট, ফিড, API রেসপন্স, কনফিগারেশন ডাম্প — এটি কাজ করে, কারণ এগুলো সবই একইভাবে তৈরি।

অ্যাট্রিবিউট আর চাইল্ড এলিমেন্ট দুটোই কলামে পরিণত হয়, আর এটি দরকারি, কারণ XML একই কথা বলার দুটি উপায় দেয় এবং ভিন্ন ভিন্ন সিস্টেম ভিন্ন উপায় বেছে নেয়। এক এক্সপোর্ট id="42" লেখে অ্যাট্রিবিউট হিসেবে; আরেকটি <id>42</id> লেখে এলিমেন্ট হিসেবে; তৃতীয়টি একই ডকুমেন্টে দুটোই করে। গ্রিডের কাছে এই পার্থক্যের কোনো মানে নেই, আপনার কাছেও থাকা উচিত নয়, তাই দুটোই কলাম হিসেবে আসে — অ্যাট্রিবিউটগুলো চিহ্নিত থাকে, যাতে দুই রূপে থাকা একই নাম পরস্পরের সঙ্গে না মেলে যায়।

এক স্তরের বেশি গভীর নেস্টিং এলিমেন্টের নামগুলো জুড়ে সমতল করা হয়, ঠিক নেস্টেড JSON-এর মতো। কোনো রেকর্ডে বারবার আসা চাইল্ড থাকলে — একটি অর্ডারের ভেতরে তিনটি অর্ডার লাইন — চারপাশের সবকিছু ডুপ্লিকেট না করে গ্রিড সেগুলোকে সারি হিসেবে দেখাতে পারে না, তাই পুনরাবৃত্ত মানগুলো তাদের সেলেই রাখা হয়। কলামের নাম থেকে নেমস্পেস বাদ দেওয়া হয়, কারণ স্প্রেডশিটে ns2:customerName নামের কলাম কারও কাজে আসে না; তবে মানগুলো অপরিবর্তিত থাকে।

লেখাভিত্তিক XML-এ খোঁজার মতো টেবিল নেই, আর তা কনভার্টও হয় খারাপভাবে। XHTML পেজ, DocBook আর্টিকেল, ePub অধ্যায় বা SVG ড্রয়িং হলো ডকুমেন্ট, ডেটাসেট নয়: এদের গঠন ইচ্ছাকৃতভাবেই নেস্টেড ও অনিয়মিত, আর সারি বানানোর মতো বারবার আসা কোনো রেকর্ড নেই। কনভার্ট করলে কিছু একটা তৈরি হবে, কিন্তু তা কাজে আসবে না। এই পেজ ডেটা XML-এর জন্য, আর পার্থক্যটা পরিষ্কার জানা থাকলে যেকোনো পরিমাণ টিউনিংয়ের চেয়ে বেশি সময় বাঁচে।

অন্য কিছু দরকার হলে

গঠন জানা থাকলে অনুমানের ওপর না ছেড়ে ইচ্ছে করে বের করে নিন। xmlstarlet sel -t -m "//order" -v "@id" -o "," -v "customer" -n data.xml একটি XPath এক্সপ্রেশন দিয়ে ঠিক আপনার দরকারি ফিল্ডগুলো তুলে আনে, আর xq একই কাজ করে jq-ধাঁচের সিনট্যাক্সে। ঘটনাচক্রে কাজ করে যাওয়া কনভার্শন আর পাইপলাইনে বসানোর মতো কনভার্শনের পার্থক্য এটিই।

খুব বড় ফাইলের জন্য এখানকার সবকিছুই ভুল গড়নের: পুরো ডকুমেন্ট একসাথে মেমোরিতে পার্স করা হয়, আর ট্রি হিসেবে পার্স করা XML সাধারণত ফাইলের সাইজের কয়েক গুণ জায়গা নেয়। স্ট্রিমিং পার্সার — Python-এর iterparse, বা যেকোনো ভাষার SAX — নির্দিষ্ট পরিমাণ মেমোরিতেই কয়েক গিগাবাইটের ডকুমেন্ট পার হয়ে যায়, আর কয়েকশো মেগাবাইটের পর এটিই একমাত্র বাস্তবসম্মত উপায়।