Chuyển XML sang Excel

Tìm các hàng trong một cấu trúc cây

XML không có khái niệm bảng, nên việc đầu tiên phải làm là xác định phần tử nào là bản ghi. Dấu hiệu đáng tin cậy là sự lặp lại: một phần tử cha chứa nhiều phần tử con cùng tên gần như luôn là một danh sách bản ghi, và các phần tử con cùng thuộc tính của chúng trở thành cột. Cách này đúng với tuyệt đại đa số XML dữ liệu — file xuất, feed, phản hồi API, bản kết xuất cấu hình — vì tất cả đều được dựng theo cùng một kiểu.

Cả thuộc tính lẫn phần tử con đều được chuyển thành cột, và điều đó là cần thiết vì XML có hai cách nói cùng một điều và mỗi hệ thống lại chọn một kiểu. File xuất này ghi id="42" dưới dạng thuộc tính; file khác ghi <id>42</id> dưới dạng phần tử; file thứ ba dùng cả hai trong cùng một tài liệu. Một bảng lưới không quan tâm đến sự khác biệt đó và bạn cũng không cần quan tâm, nên cả hai đều thành cột, với thuộc tính được đánh dấu để một tên xuất hiện ở cả hai dạng không bị trùng.

Cấu trúc lồng sâu hơn một cấp được trải phẳng bằng cách nối tên các phần tử, giống như với JSON lồng nhau. Khi một bản ghi chứa phần tử con lặp lại — ba dòng hàng trong một đơn hàng — bảng lưới không thể biểu diễn chúng thành hàng mà không nhân bản mọi thứ xung quanh, nên các giá trị lặp lại được giữ trong ô của chúng. Namespace bị loại khỏi tên cột, vì một cột tên ns2:customerName chẳng giúp ích gì trong bảng tính, còn bản thân các giá trị thì giữ nguyên.

XML dạng văn xuôi không có bảng để tìm và chuyển đổi rất kém. Một trang XHTML, một bài viết DocBook, một chương ePub hay một bản vẽ SVG là tài liệu chứ không phải tập dữ liệu: cấu trúc của chúng vốn lồng nhau và không đều, và không có bản ghi lặp lại nào để dựng thành hàng. Quá trình chuyển đổi vẫn sẽ cho ra thứ gì đó, nhưng thứ đó sẽ không dùng được. Trang này dành cho XML dữ liệu, và hiểu rõ sự khác biệt này tiết kiệm thời gian hơn bất kỳ tinh chỉnh nào.

Khi bạn cần công cụ khác

Khi đã biết cấu trúc, hãy chủ động trích xuất thay vì để công cụ suy đoán. xmlstarlet sel -t -m "//order" -v "@id" -o "," -v "customer" -n data.xml lấy đúng các trường bạn cần bằng một biểu thức XPath, và xq làm điều tương tự với cú pháp kiểu jq. Đó là khác biệt giữa một lần chuyển đổi tình cờ chạy được và một bước bạn có thể đưa vào quy trình tự động.

Với file rất lớn, mọi thứ ở đây đều không phù hợp: toàn bộ tài liệu được phân tích vào bộ nhớ, và XML phân tích dưới dạng cây thường chiếm gấp nhiều lần dung lượng file. Các trình phân tích dạng luồng — iterparse của Python, hoặc SAX trong bất kỳ ngôn ngữ nào — duyệt qua tài liệu hàng gigabyte với bộ nhớ không đổi, và là cách thực tế duy nhất khi file vượt quá vài trăm megabyte.