XML को Excel में बदलें

ट्री में से पंक्तियां ढूंढना

XML में टेबल जैसी कोई चीज़ होती ही नहीं, इसलिए सबसे पहले यह पहचानना ज़रूरी है कि कौन-से एलिमेंट रिकॉर्ड हैं। इसका भरोसेमंद संकेत है दोहराव: जिस पैरेंट एलिमेंट में एक ही नाम के कई चाइल्ड हों, उसका मतलब लगभग हमेशा रिकॉर्ड की सूची होता है, और उन चाइल्ड के अपने चाइल्ड एलिमेंट और एट्रिब्यूट कॉलम बन जाते हैं। यह तरीक़ा ज़्यादातर डेटा XML पर काम करता है — एक्सपोर्ट, फ़ीड, API रिस्पॉन्स, कॉन्फ़िगरेशन डंप — क्योंकि वे सब एक ही ढंग से बने होते हैं।

एट्रिब्यूट और चाइल्ड एलिमेंट, दोनों कॉलम में बदले जाते हैं, और यह ज़रूरी है क्योंकि XML एक ही बात कहने के दो तरीक़े देता है और अलग-अलग सिस्टम अलग-अलग तरीक़ा चुनते हैं। एक एक्सपोर्ट id="42" को एट्रिब्यूट के रूप में लिखता है; दूसरा <id>42</id> को एलिमेंट के रूप में; तीसरा एक ही डॉक्यूमेंट में दोनों करता है। ग्रिड को इस फ़र्क़ से कोई मतलब नहीं, और आपको भी नहीं होना चाहिए, इसलिए दोनों कॉलम के रूप में आते हैं, और एट्रिब्यूट पर निशान लगा दिया जाता है ताकि दोनों रूपों में आने वाला एक ही नाम आपस में न टकराए।

एक लेवल से ज़्यादा गहरी नेस्टिंग को एलिमेंट के नाम जोड़कर फ़्लैट किया जाता है, ठीक नेस्टेड JSON की तरह। जहां किसी रिकॉर्ड में दोहराया जाने वाला चाइल्ड हो — एक ऑर्डर के अंदर तीन ऑर्डर लाइनें — वहां ग्रिड उसे आसपास की हर चीज़ दोहराए बिना पंक्तियों के रूप में नहीं दिखा सकता, इसलिए दोहराई गई वैल्यू उसी सेल में रखी जाती हैं। कॉलम के नामों से नेमस्पेस हटा दिए जाते हैं, क्योंकि स्प्रेडशीट में ns2:customerName नाम का कॉलम किसी के काम का नहीं, जबकि वैल्यू ख़ुद जस की तस रहती हैं।

गद्य वाले XML में ढूंढने लायक कोई टेबल नहीं होती और वह बुरी तरह बदलता है। XHTML पेज, DocBook लेख, ePub का कोई अध्याय या SVG ड्रॉइंग डेटासेट नहीं, डॉक्यूमेंट है: उसकी बनावट जान-बूझकर नेस्टेड और बेतरतीब होती है, और पंक्तियां बनाने के लिए कोई दोहराया जाने वाला रिकॉर्ड नहीं होता। कन्वर्ज़न कुछ न कुछ बना देगा, पर वह काम का नहीं होगा। यह पेज डेटा XML के लिए है, और यह फ़र्क़ साफ़ समझ लेना किसी भी तरह की ट्यूनिंग से ज़्यादा समय बचाता है।

जब आपको कुछ और चाहिए

जब आपको बनावट पता हो, तो उसका अंदाज़ा लगाने के बजाय उसे सोच-समझकर निकालें। xmlstarlet sel -t -m "//order" -v "@id" -o "," -v "customer" -n data.xml एक XPath एक्सप्रेशन से ठीक वही फ़ील्ड निकालता है जो आपको चाहिए, और xq यही काम jq जैसे सिंटैक्स से करता है। यही फ़र्क़ है उस कन्वर्ज़न में जो संयोग से चल जाए, और उसमें जिसे आप किसी पाइपलाइन में लगा सकें।

बहुत बड़ी फ़ाइलों के लिए यहां का पूरा तरीक़ा ही ग़लत है: पूरा डॉक्यूमेंट एक साथ मेमोरी में पार्स होता है, और ट्री के रूप में पार्स किया गया XML आम तौर पर फ़ाइल के साइज़ से कई गुना जगह लेता है। स्ट्रीमिंग पार्सर — Python का iterparse, या किसी भी भाषा में SAX — कई गीगाबाइट के डॉक्यूमेंट को एक जैसी मेमोरी में पढ़ लेते हैं, और कुछ सौ मेगाबाइट से ऊपर यही अकेला व्यावहारिक तरीक़ा है।