XMLをExcelに変換

ツリー構造から行を見つけ出す

XMLには表という概念がないため、まずどの要素がレコードなのかを特定する必要があります。確実な手がかりは繰り返しです。同じ名前の子要素を多数持つ親要素は、ほぼ間違いなくレコードの一覧であり、その子要素が持つ子要素や属性が列になります。エクスポート、フィード、APIのレスポンス、設定のダンプなど、データ用のXMLはどれも同じ作りをしているため、この方法は大多数のファイルで機能します。

属性と子要素はどちらも列に変換されます。XMLには同じことを表す方法が2つあり、システムによって選び方が違うため、これは欠かせない処理です。あるエクスポートはid="42"を属性として書き、別のものは<id>42</id>を要素として書き、3つ目は同じ文書の中で両方を使います。表にとってこの違いは関係なく、利用者が気にする必要もありません。そのためどちらも列として取り込み、同じ名前が両方の形で現れても衝突しないよう、属性には印を付けています。

2階層以上の入れ子は、入れ子のJSONと同じように要素名をつなげて平坦化します。1つの注文に3行の明細があるように、レコードの中に繰り返しの子要素がある場合、周囲のデータをすべて重複させない限り表の行としては表現できないため、繰り返しの値はそのセルの中に残します。列名からは名前空間を取り除きます。 ns2:customerNameという列名はスプレッドシートでは誰の役にも立たないからです。値そのものには手を加えません。

文章中心のXMLには検出すべき表がなく、うまく変換できません。 XHTMLページ、DocBookの記事、ePubの章、SVGの図は、データセットではなく文書です。構造は本来入れ子で不規則なものであり、行を作るための繰り返しレコードがありません。変換すれば何かしらの結果は出ますが、役に立つものにはなりません。このページはデータ用のXMLのためのもので、この違いを理解しておくほうが、どんな調整よりも時間の節約になります。

ほかの目的には

構造が分かっているなら、推測させるのではなく、狙って取り出しましょう。xmlstarlet sel -t -m "//order" -v "@id" -o "," -v "customer" -n data.xmlはXPath式で必要なフィールドだけを正確に抜き出し、xqはjq風の構文で同じことができます。たまたまうまくいく変換と、パイプラインに組み込める変換の違いはここにあります。

非常に大きなファイルには、ここでの方法はどれも向いていません。文書は丸ごとメモリに読み込まれ、ツリーとして解析されたXMLは通常ファイルサイズの数倍のメモリを使います。Pythonのiterparseや各言語のSAXといったストリーミングパーサーなら、数GBの文書でも一定のメモリで処理でき、数百MBを超えるなら現実的な方法はこれだけです。