Python et les modules pour XML

Transcription

1 Python et les modules pour XML Institut Pasteur (infobio) Mars 004 (version.9) Méthodes d analyse et d extraction : éditeur expressions rationnelles Traitement de type événementiel : flot d événement lecture complète ou partielle maintenir un con Parcourir une arborescence : document entier navigation et modification de l arbre Mixte événementiel et arborescence : avantages et inconvénients des deux API Transformation et interrogation : langage de transformation : XSLT (extensible Stylesheet Language Transformation) «langage d interrogation» : XQL, Xquery langage d extraction de noeuds : Xpath...etc.

2 Modules python --> XML XML-SIG = XML Special Interest Group Objectif : «faire de python le meilleur langage d analyse de code XML» développement PyXML version = 0.8. (9/07/00) Python and XML Processing 4suite : rdf, xlink, xpointer, dom, sax, xslt, schema, RelaxNG Pyxie : (format pyx <--> XML) xmlproc : module et commande (validation du code) xmllib : ancienne compatibilité avec python.5 Principe de base des API pour XML flux de données API database Web xml/html deux approches différentes graphique Formats... Document XML Parser application Etc... API Arborescence en mémoire Construction d arbre flux de données Arborescence sérialisation 4

3 Cas particuliers du flux flux de données arborescence <?xml version=".0" encoding="utf-8"?> <systeme> documentxml <proteine> <sequence> MGDVEKGKKIF </sequence> systeme 6 <motif seq="k..k.f"/> proteine 4 proteine </proteine> 4 <proteine> 5 </proteine> <sequence> RADLIAYLKKATNE </sequence> sequence motif seq 5 sequence 6 </systeme> 5 Expat 6

4 xml.parsers.expat : exemple code # appel du module expat import xml.parsers.expat # exemle de fonctions def start_element(name, attrs): print 'Start element:', name, attrs def end_element(name): print 'End element:', name def char_data(data): print 'Character data:', repr(data) p = xml.parsers.expat.parsercreate() p.startelementhandler = start_element p.endelementhandler = end_element p.characterdatahandler = char_data p.parse("""<?xml version=".0"?> <data type= nucl"> <seq id= UIH">ATGTTGTAT</seq> <seq id= RTE">TGTTATTCTT</seq> </data>""") définition évenements appel du parser association des def. au parser lancer le parser # autre possibilité p.parsefile(fichier) Start element: data {u'type': u'nucl'} Character data: u'\n' Start element: seq {u'id': u'uih'} Character data: u'atgttgtat' End element: seq Character data: u'\n' Start element: seq {u'id': u'rte'} Character data: u'tgttattctt' End element: seq Character data: u'\n' End element: data 7 xml.parsers.expat wrapper de la bibliothèque C de J. Clark voir : appelé aussi : pyexpat ne peut pas valider le code xml avantage : plus rapide que les parser s en python, gère les espaces de noms interface pour les événements suivants : StartElementHandler (...) CharacterDataHandler (...) EndElemenTHandler (...) ProcessingInstructionHandler (. CommentHandler (...) StartCdataSectionHandler (...) EndCdataSectionHandler (...)...etc... 8

5 xml.parsers.expat : code xml à traiter <!-- extrait code xml pir modifié --> <ProteinEntry id="cchu"> <header> <uid>cchu</uid> <accession>a764</accession> <accession>a05676</accession> <accession>i559</accession> <accession>a0000</accession> </header>...etc. <organism> <source>human</source> <common>man</common> <formal>homo sapiens</formal> </organism>...etc. <sequence> MGDVEKGKKIFIMKCSQCHTVEKGGKHKTGPN LHGLFGRKTGQAPGYSYTAANKNKGIIW GEDTLMEYLENPKKYIPGTKMIFVGIKKKEERA DLIAYLKKATNE </sequence> </ProteinEntry> <!-- extrait code xml pir modifié --> <ProteinEntry id="cccz"> <header> <uid>cccz</uid> <accession>a0000</accession> </header>...etc. <organism> <source>chimpanzee</source> <common>chimpanzee</common> <formal>pan troglodytes</formal> </organism>...etc. <sequence> GDVEKGKKIFIMKCSQCHTVEKGGKHKTGPNL HGLFGRKTGQAPGYSYTAANKNKGIIWG EDTLMEYLENPKKYIPGTKMIFVGIKKKEERAD LIAYLKKATNE </sequence> </ProteinEntry> 9 xml.parsers.expat : fichier résultat ## fichier fasta résultat que l on souhaite obtenir. >CCHU A764 A05676 I559 A0000 Homo sapiens MGDVEKGKKIFIMKCSQCHTVEKGGKHKTGPNLHGLFGRKT GQAPGYSYTAANKNKGIIWGEDTLMEYLENPKKYIPGTKMIF VGIKKKEERADLIAYLKKATNE >CCCZ A0000 Pan troglodytes GDVEKGKKIFIMKCSQCHTVEKGGKHKTGPNLHGLFGRKTG QAPGYSYTAANKNKGIIWGEDTLMEYLENPKKYIPGTKMIFV GIKKKEERADLIAYLKKATNE 0

6 xml.parsers.expat :prog. principal #from pyexpat import * from xml.parsers.expat import * import sys from clsevnt import * appel modules objinst = clsevnt("fasta.out") instance xmlpar = ParserCreate() xmlpar.startelementhandler = objinst.debutelement xmlpar.endelementhandler = objinst.finelement xmlpar.characterdatahandler = objinst.caractere Associé méthodes au parser objfile = open ("xaapir_mod") xmlpar.parsefile(objfile) Lancer le parseur xml.parsers.expat : gestion des événements class clsevnt : def init (self, file): self.flagdict = {'uid':0, 'accession':0, 'formal':0, 'sequence':0} self.out = open(file,'w') def debutelement(self, name, attr): if name == 'ProteinEntry': self.out.write('>') if self.flagdict.has_key(name): self.flagdict[name] = python expat_pirxaa_class.py def finelement(self, name): if name == 'ProteinDatabase': self.out.close() return if name == 'sequence': self.flagdict['sequence'] = 0 return if self.flagdict.has_key(name): if self.flagdict[name] == : self.out.write(' ') self.flagdict[name] = 0 def caractere(self, data): if self.flagdict['uid'] == : self.out.write(data) if self.flagdict['accession'] == : self.out.write(data) if self.flagdict['formal'] == : self.out.write(data) if self.flagdict['sequence'] == : self.out.write(data)

7 API SAX API SAX / xml.sax Projet java : <?xml version=".0" encoding="utf-8"?> <systeme> <proteine> SAX = Simple API XML Standard SAX, SAX (espace de noms) principe : analyse du flux de données et émet des évènements en fonction de la structure du document parser + gestionnaire d évènements <sequence>mgdvekgkkif</sequence> <motif seq="k..k.f"/> </proteine> <proteine> <sequence>radliaylkkatne</sequence> </proteine> etc. <?xml version=".0"encoding="utf8"?> Ev Ev Ev <systeme><proteine><sequence> </systeme> Ev4 Ev5 MGDVEKGKKIF</sequence> 4

8 Organisation de l API SAX SAX Articles & Tutorials Content Handler classe Parser Sax XMLReader Error Handler DTD Handler DefaultHandler XML application Entity Resolver xml.sax.handler saxutils 5 API SAX (suite) méthodes pour chaque évènement l interface ContentHandler : startdocument(self) Appel lors de la reception du début de document enddocument(self) Appel à la fin de la lecture du document startelement(self, name, attrs) Appel lors de la réception du debut d élément sans espace de noms endelement(self, name) Appel lors de la reception de l élément de fin sans espace de noms startelementns(self, name, qname, attrs) Idem ci-dessus mais avec gestion de l espace de noms endelementns(self, name, qname) Idem ci-dessus mais avec gestion de l espace de noms characters(self, content) Appel lors de la reception d un caractère processinginstruction(self, target, data) Appel lors de la reception d une instruction de traitement 6

9 API SAX (suite) : exemple de code from xml.sax import make_parser from xml.sax import ContentHandler appel modules class ProteHandler (ContentHandler): Classe handler def startdocument(self): pass def enddocument(self): pass application def characters(self, str): pass # creation du "parser" parser = make_parser ( ) # creation d une instance de l handler dh = ProteHandler ( ) # initiliaser avec la classe dochandler parser.setcontenthandler ( dh ) # analyse le flux de données parser.parse ( open( prot.xml") ) instance parseur instance de l handler initialisation du parseur lancement de l analyse du flux 7 API SAX (suite) : gestion des attributs Les objets de type «Attributes» (méthodes qui gèrent les attributs) getlength(self) Retourne le nombre d attributs dans la liste getvalue(self, name) Retourne la valeur qui correspond au nom de l attribut. keys(self) Retourne la liste des noms d attributs values(self) Retourne une liste de toutes les valeurs des attributs has_key(self, name): True si l attribut est dans la liste, false dans les autres cas. get(self, name, alternative=none) Retourne la valeur associée avec le nom de l attribut, si ce n est pas possible alors il retourne la valeur de la variable alternative 8

10 API SAX (suite) : exemple sur «Attributes» <?xml version='.0'?> <db> <seq att= PROT' nbr='989 typ='iop'> LASVHSRAEAE</seq> <seq att='prot' nbr='' typ='tro'> NRFFCLTVLFS</seq> </db> ########################################## Nom Elem : db Nombre : 0 Clefs : [] Valeurs : [] Nom Elem : seq Nombre : Clefs : [u'typ', u'att', u'nbr'] Valeurs : [u'iop', u'nucl', u'989'] typ IOP att NUCL nbr 989 Nom Elem : seq Nombre : Clefs : [u'typ', u'att', u'nbr'] Valeurs : [u'tro', u'prot', u''] typ TRO att PROT nbr from xml.sax import make_parser from xml.sax.handler import ContentHandler class SequenHandler (ContentHandler): def startelement(self, name, attr): print "Nom Elem : ",name print "\tnombre : ",attr.getlength() print "\tclefs : ",attr.keys() print "\tvaleurs : ",attr.values() if attr.getlength() > 0: for each in attr.keys(): print "\t\t",each,"\t",attr.getvalue(each) # creation du "parser" parser = make_parser ( ) # creation d.une instance de l.handler dh = SequenHandler ( ) # initiliaser avec la classe dochandler parser.setcontenthandler ( dh ) # analyse le flux de donnees parser.parse ( prot.xml' ) python demosax.py 9 API SAX (suite) : exercice Objectif : prendre un fichier au format XML de la base de données ABCISSE sur les transporteurs ABC (voir le fichier abc.xml qui est une version très simplifiée) et créer un fichier qui comportera les commandes SQL nécessaires a l'insertion des données dans une base de donnees de type relationnelle. Table (de demo) dans la base de données : Nom de la Table = sys nbr (generateur auto) fnc fonction fam famille sub substrat esp espece gen gene gip gip typ type Commande SQL pour insérer dans la table : acc acces INSERT INTO sys VALUES ( 'import', 'MET', 'maganese'...); ou INSERT INTO sys (fnc, fam) VALUES ('import', 'MET_family'); 0

11 API SAX (suite) : exercice <?xml version=".0"?> <transporter> <system> <function type="import" /> <family name="met_family" /> <substrate>manganese</substrate> <species name="syc" /> <gene name="sll598" /> <gip nbr="6500" /> <type> BP </type> <accesp nbr="d9090" /> </system> <system> <function type="import" /> <family name="met_family" /> <substrate>iron</substrate> <species name="ype" /> <gene name="yfea" /> <gip nbr="45464" /> <type> BP </type> <accesp nbr="u50597" /> </system> <system> <function type="import" /> <family name="met_family" /> <substrate>zinc</substrate> <species name="eco" /> <gene name="znub" /> <gip nbr="78866" /> <type> IM </type> <accesp nbr="ae00080" /> </system> </transporter> ## résultat à obtenir INSERT INTO sys VALUES ('Import','MET_family','Manganese','syc','sll5 98','6500',' BP ','D9090'); INSERT INTO sys VALUES ('Import','MET_family','Iron','ype','yfea','4546 4',' BP ','U50597'); INSERT INTO sys VALUES ('Import','MET_family','Zinc','eco','znub','788 66',' IM ','AE00080'); API SAX (suite) : exercice from xml.sax import make_parser from xml.sax.handler import ContentHandler import sys class SystHandler (ContentHandler): def init (self, file, nbr=0): self.nom = file self.inc = nbr self.ligne = "" self.type = 0 self.subs = 0 def startelement(self, name, attr): if name == "transporter": self.out = open(self.nom, 'w') if name == "system" : self.inc += self.ligne = "INSERT INTO sys VALUES (" if name == "function": self.ligne += "'" + attr.getvalue("type") + "'," if name == "family": self.ligne += "'" + attr.getvalue("name") + "'," if name == "substrate": self.subs = if name == "species": self.ligne += "'" + attr.getvalue("name") + "'," if name == "gene": self.ligne += "'" + attr.getvalue("name") + "'," if name == "gip": self.ligne += "'" + attr.getvalue("nbr") + "'," if name == "type": self.type = if name == "accesp": self.ligne += "'" + attr.getvalue("nbr") + "'" def characters(self, txt): if self.type == : self.ligne += "'" + txt + "'," self.type = 0 if self.subs == : self.ligne += "'" + txt + "'," self.subs = 0

12 API SAX (suite) : exercice def endelement(self, name): if name == "transporter": self.out.close() if name == "system": self.ligne = self.ligne + ");\n" self.out.write(self.ligne) Fin de la classe if name == ' main ': # creation du "parser" parser = make_parser ( ) Appel du parseur SAX # creation d.une instance de l.handler dh = SystHandler (sys.argv[]) # initiliaser avec la classe SystHandler parser.setcontenthandler ( dh ) # analyse le flux de donnees parser.parse ( sys.argv[] ) python insertsax.py abc.xml req.sql API SAX (suite) : quelques inconvénients une seule passe, impossible de revenir en arrière <?xml version=".0" encoding="utf-8"?> ordre des éléments dans le fichier difficile d ajouter du code XML <systeme> <proteine> <sequence> MGDVEKGKKIF </sequence> 4 impossible de déplacer du code XML </proteine> <motif seq="k..k.f"/> <proteine> </proteine> </systeme> <sequence> RADLIAYLKKATNE </sequence> 4

13 API SAX (suite) SAX Parser DocumentHandler AttributeList HandlerBase SAX XMLReader ContentHandler Attributes DefaultHandler voir pydoc xml.sax d autres différences : SAX SAX (voir xml.sax.handler) characters(self, ch, start, length) startelement(self, name, atts) characters(self, content) startelement(self, name, attrs) startelementns(self, name, qname, attrs) 5 API DOM 6

14 API DOM : introduction DOM = Document Object Model balise données attribut standard du WC DOM, DOM, DOM documentxml Construction de l arbre complet avant de pouvoir atteindre les données systeme <systeme> <proteine> <sequence>ssgiflii...etc.. </sequence> <motif seq=«g..l» /> </proteine> <proteine> <sequence>dfiqgfengfe...etc. </sequence> </proteine> </systeme> proteine sequence motif seq proteine sequence 7 API DOM (suite) : présentation api module xml.dom sérialisation XML arbre dom document Élément racine Élément enfant lecture Parser Construction arbre Élément enfant Élément enfant écriture application XML 8

15 API DOM (suite) : arbres de noeuds documentxml systeme les documents sont organisés sous forme d arbre de noeuds proteine proteine chaque noeud à un type particulier : Text, Element, sequence motif sequence ProcessingInstruction, EntityReference, CDATASection...etc. seq balise données attribut 9 API DOM (suite) : appel du «parseur» DOM from xml.dom.minidom import parse, parsestring appel modules appel par le nom dom = parse(../infobio/proteine.xml') datasource = open(../infobio/proteine.xml') dom = parse(datasource) appel objet fichier appel chaîne de car. dom = parsestring( <codexml>exemple <empty/> de quelques balises</codexml>') 0

16 API DOM (suite) : classes et méthodes implantation des méthodes pour accéder et modifier les objets dans l arbre Hierarchie d objets de type Node l API comporte un certain nombre de classes (xml.dom.minidom): Node Attr : valeur affectée à l attribut d un élément CharacterData dont Text et CDATASection Comment : Document : document XML complet bien formé DocumentFragment : conteneur provisoire d un fragment du document XML DocumentType :; correspond à la description de la DTD Element : tout élément XML est traduit en un noeud unique, accède aux valeurs des attributs sous la forme d objet Attr ProcessingInstruction : accès au contenu d une instruction de traitement NodeList : accès à une collection ordonnée de noeuds API DOM (suite) : exemple de code exemple simple de l utilisation de dom : >>> import xml.dom.minidom as xdm >>> domobj = xdm.parsestring("<foo> bar </foo>") appel modules transformation du fichier xml en objet DOM (arbre) Noeud élément >>> rootobj = domobj.childnodes[0] >>> print rootobj.tagname foo >>> rootobj.childnodes [<DOM Text node " bar ">] >>> print "[" + rootobj.childnodes[0].nodevalue + "]" [ bar ] >>> print domobj.toxml() <?xml version=".0"?> <foo> bar </foo> Noeud Affiche le code XML

17 API DOM (suite) : interface «Node» L interface Node possède trois attributs principaux : nodetype nodename nodevalue Source : XML in a nutshell edi O reilly, ISBN API DOM (suite) : arborescence «Node» Chaque objet Node dans un document contient des références à ses parents, fils et frères <?xml version=«.0»?> <systeme> 4 <proteine motif=«g..l»> SGIFLIIPRIL </proteine> </systeme> 5 Document nodetype = DOCUMENT_NODE nodename = #document nodevalue = (null) Element nodetype = ELEMENT_NODE nodename = systeme nodevalue = (null) firstchild Document Element Element 4 5 Text Attr Element Attr nodetype = ELEMENT_NODE nodename = proteine nodevalue = (null) firstchild attributes nodetype = ATTRIBUTE_NODE nodename = motif nodevalue = G..L Text 4 nodetype = TEXT_NODE nodename = #text nodevalue = SGIFLIIPRIL 5 4

18 API DOM (suite) : les attributs Liste des attributs utilisables : parentnode Le noeud parent pour tous les types de noeuds sauf Document, DocumentFragment et Attr. childnodes Les enfants du noeud courant. Retourne une liste de noeuds.!! En python ne retourne pas une NodeList!! firstchild Le premier noeud enfant, si il n existe pas renvoie None lastchild Le dernier de la liste des noeuds enfants, s il n existe pas renvoie None previoussibling Le noeud précédent le noeud courant immédiatement dans l arbre, s il n existe pas renvoie None nextsibling Le noeud suivant le noeud courant immédiatement dans l arbre, s il n existe pas renvoie None Deux attributs spéciaux : attributes qui correspond à un objet NameNodeMap ownerdocument qui correspond au document lui-même, pour Document c est None 5 API DOM (suite) : se balader dans l arbre parentnode previoussibling nextsibling childnodes firstchild lastchild 6

19 API DOM (suite) : fichier exemple <?xml version=".0"?> documentxml <RacineDoc> <EleTestSup> Texte element superieur </EleTestSup> RacineDoc <EleTestMed> Texte element medium </EleTestMed> EleTestSup EleTestMed EleTestInf EleVidAtt <EleTestInf> Texte element inferieur </EleTestInf> <EleVidAtt cours="infobio" jour="vdr" mois="mars" /> </RacineDoc> cours jour mois balises données attributs 7 API DOM : le document from xml.dom.minidom import parse, parsestring objxml documentxml objxml = parse('dom_test.xml') objxml <xml.dom.minidom.document instance at 0x806a0c> enfant RacineDoc print objxml.nodename #document EleTestSup EleTestMed EleTestInf EleVidAtt print objxml.nodevalue None print objxml.nodetype 9 ### DOCUMENT_NODE print objxml.toxml() <?xml version=".0"?>...etc. cours jour mois balise données attribut 8

20 API DOM : la racine objxml.childnodes [<DOM Element: RacineDoc at 68068>] objxml.childnodes[0].nodename u'racinedoc parent objxml documentxml RacineDoc objxml.childnodes[0].nodetype ## ELEMENT_MODE enfants objxml.childnodes[0].parentnode <xml.dom.minidom.document instance at 0x806a0c> EleTestSup EleTestMed EleTestInf EleVidAtt objxml.childnodes[0].toxml() u'<racinedoc>...etc... cours jour mois balise données attribut 9 API DOM : les enfants objele = objxml.childnodes[0].childnodes [<DOM Text node "\n">,...etc... objxml documentxml for nbr in range(len(objele)):... if objele[nbr].nodetype == :... print nbr," ",objele[nbr]... <DOM Element: EleTestSup at > 5 <DOM Element: EleTestMed at 66996> 8 <DOM Element: EleTestInf at > <DOM Element: EleVidAtt at > objele[].childnodes[].nodevalue u' Texte element superieur' parent RacineDoc objele EleTestSup EleTestMed EleTestInf enfants EleVidAtt cours jour mois balise données attribut 40

21 API DOM : quelques méthodes Document : createelement(nom) createdocumentfragment() createtextnode() createcomment() createcdatasection() createprocessinginstruction(cible, paramètres) getelementsbytagname(nom) : balaye les noeuds et retourne une liste de tous les éléments noeuds correspondant à la balise «nom». Element : getattribute (nom) setattribute(nom, valeur) removeattribute (nom) getattributenode(nom) : retourne un objet Attr getelementsbytagname(nom) CharacterData : appenddata() deletedata(décalage, nbr)...etc... 4 API DOM : attributs (méthodes élement) objele[] <DOM Element: EleVidAtt at 6868> objele[].toxml() u'<elevidatt cours="infobio" jour="vdr" mois="mars"/>' parent documentxml RacineDoc objele[].getattribute('jour') u'vdr objele[].hasattribute('jour') objele[].hasattribute('toy') 0 objele EleTestSup enfants EleTestMed EleTestInf EleVidAtt objele[].setattribute('jour','lun') objele[].getattribute('jour') 'lun objele[].toxml() u'<elevidatt cours="infobio" jour="lun" mois="mars"/>' cours jour mois balise données attribut 4

22 API DOM : attributs ( NameNodeMap ) objele[] <DOM Element: EleVidAtt at 6868> documentxml objele[].toxml() u'<elevidatt cours="infobio" jour="vdr" mois="mars"/>' parent RacineDoc objele[].attributes <xml.dom.minidom.namednodemap instance at 0x809b4> objele[].attributes.keys [u'jour', u'mois', u'cours'] objele[].attributes.values() [<xml.dom.minidom.attr instance...etc..] objele[].attributes.values()[0].value u'vdr ### lecture/ecriture objele EleTestSup enfants EleTestMed EleTestInf EleVidAtt objele[].attributes.items() [(u'jour', u'vdr'),...etc. objele[].attributes.length cours jour mois balise données attribut 4 API DOM (suite) : exercice Objectif : à l aide du fichier cdr.xml qui est le résultat d un programme d analyse de séquences (programme extrait ). Utiliser le module minidom pour extraire toutes les séquences nucléiques d une longueur de 69 caractères et transférer les résultats dans un fichier au format fasta, qui devra comporter les informations suivantes (voir exemple ci-dessous) : le nom du fichier, la position de la sequence et le sens de lecture. Résultat à obtenir : >FH_A07_049.seq DIR GCGAGAGACCATAGGGGATATTGTAGTGGTGGTAGCTGCTACTCCGGCCTAGACTGGTAC TTCGATCTC >FH_E07_05.seq DIR GCGAGAGGAACTTACTATGATAGTACTGGCTATATGTGGGGGCCCACTAGGTACTGGTAC TTCGATCTC 44

23 API DOM (suite) : format du fichier <?xml version=".0"?> <extrait> <sequence id="fh_a0_00.seq"> <sens_direct> <!-- SENS DIR --> <ref val=""> <seq> <!-- SEQ --> <nucl lng="98" pos="75" b5="ctggag" b="tggggc" > TGGATTGGG...CGATCTC </nucl> <prot lng="66"> WIGYIYY...FDL </prot> </seq> </ref> <ref val=""> <seq> <!-- SEQ --> <nucl lng="" pos="4" b5="ctggag" b="tggggc" > CTGGC... ATCTC </nucl> <prot lng="">non_traduite</prot> </seq> </ref> </sens_direct> <sens_inverse> <!-- SENS INV --></sens_inverse> </sequence>...etc API DOM (suite) : «arbre» Document >FH_A07_049.seq DIR GCGAGAGACCATAGGGGATA... 4 sequence extrait attributs sequence Sens_direct Sens_inverse ref seq attributs ref ref seq attributs ref nucl prot nucl 4 text attributs text attributs 4 text attributs 46

24 API DOM (suite) : organigramme de recherche getelement.. non lng == 69 oui non nodename == sens_direct oui Foreach nucl gettext DIR non nodename == sens_inverse oui parentnode INV non nodename == ref oui parentnode!= extrait getattribute non nodename == sequence oui getattribute parentnode 47 API DOM (suite) : le code ;-) import sys from xml.dom import minidom, Node def gettext(nodelist): """ extrait de la doc python. """ rc = "" for node in nodelist: if node.nodetype == node.text_node: rc = rc + node.data return rc def cherche(noeud, nbr): ligne = "" seq = "" for nucl in noeud.getelementsbytagname('nucl'): if nucl.getattribute('lng') == nbr : seq = gettext(nucl.childnodes) seq = seq.replace(" ","") seq = seq[:-] prtnode = nucl.parentnode while prtnode.nodename!= "extrait" : if prtnode.nodename == "sens_direct": ligne += "DIR " if prtnode.nodename == "sens_inverse": ligne += "INV " if prtnode.nodename == "ref": ligne += prtnode.getattribute('val')+" " if prtnode.nodename == "sequence": ligne = ">" + prtnode.getattribute('id') + " " + ligne prtnode = prtnode.parentnode ligne += seq print ligne ligne = "" if name == ' main ': doc = minidom.parse('cdr.xml') cherche(doc, "69") 48

25 API DOM : construction document from xml.dom.minidom import * objctr = parsestring('<racine></racine>') print objctr.toprettyxml() <?xml version=".0"?> <Racine/> objctr enfant documentxml RacineDoc objctr.nodename '#document objctr.nodetype 9 objctr.childnodes [<DOM Element: Racine at 60>] objctr.childnodes[0] <DOM Element: Racine at 60> objctr.childnodes[0].nodename u'racine objctr.childnodes[0].nodetype balise données attribut 49 API DOM : construction élément bal = objctr.createelement("eletestsup") txt = objctr.createtextnode("texte Element Superieur") objctr documentxml bal.appendchild(txt) <DOM Text node "Texte Elem..."> bal.toxml() '<EleTestSup>Texte Element Superieur</EleTestSup> bal enfant text RacineDoc objctr.childnodes[0] <DOM Element: Racine at 60> objctr.childnodes[0].childnodes [ ] bal.parentnode bal.childnodes [<DOM Text node "Texte Elem...">] bal <EleTestSup> Texte Element Superieur </EleTestSup> balise données attribut 50

26 API DOM : construction élément objctr documentxml deb = objctr.childnodes[0] deb.appendchild(bal) <DOM Element: EleTestSup at 67440> deb RacineDoc deb.childnodes [<DOM Element: EleTestSup at 67440>] bal EleTestSup bal.parentnode <DOM Element: Racine at 60> bal.parentnode.parentnode <xml.dom.minidom.document instance at 0x8d89c> print objctr.toprettyxml() <?xml version=".0"?> <Racine> <EleTestSup> Texte Element Superieur </EleTestSup> </Racine> balise données attribut 5 API DOM : construction élément bal = objctr.createelement("eletestmed") txt = objctr.createtextnode("texte Element Medium") bal.appendchild(txt) bal = objctr.createelement("eletestinf") txt = objctr.createtextnode("texte Element Inferieur") bal.appendchild(txt) objctr documentxml deb RacineDoc bal bal bal bal4 bal4 = objctr.createelement("elevidatt") EleTestSup deb.appendchild(bal) deb.appendchild(bal) deb.appendchild(bal4) balise données attribut 5

27 API DOM : ajouter des attributs objatt = objctr.childnodes[0].childnodes[] objctr documentxml objatt.setattribute("cours","infobio") objatt.setattribute("jour","vdr") objatt.setattribute("mois","mars") deb RacineDoc OU bal4.setattribute("cours","infobio") bal4.setattribute("jour","vdr") bal4.setattribute("mois","mars") bal EleTestSup bal EleTestMed bal EleTestInf bal4 EleVidAtt bal4._attrs {'jour': <xml.dom.minidom.attr instance at 0x8098a4>, 'mois': <xml.dom.minidom.attr instance at 0x809aa4>, 'cours': <xml.dom.minidom.attr instance at 0x80874c>} balise données attribut 5 API DOM : «arbre» terminé print objctr.toprettyxml( ) objctr documentxml <?xml version=".0"?> <Racine> <EleTestSup> Texte Element Superieur </EleTestSup> <EleTestMed> Texte Element Medium </EleTestMed> <EleTestInf> Texte Element Inferieur </EleTestInf> <EleVidAtt cours="infobio" jour="vdr" mois="mars"/> </Racine> objctr.writexml(open('exo.xml','w')) bal EleTestSup deb RacineDoc bal bal EleTestMed EleTestInf EleVidAtt cours jour mois balise données attribut 54

28 En résumé SAX... DOM... API lègère et rapide Document sous forme d arbre flux de données liste de noeuds pas d image mémoire vue globale du document 4 construction d un gestionnaire 4 modification et manipulation de noeuds 55 Conclusion sur XML / API XML est une technologie d avenir structure les données API standard pour l extraction des données puissant format d échange et de diffusion de l information communication entre applications hétérogènes langage de requètes et de transformation ouvert à tous les langages de programmation libre de droit et extensible à l infini 56

29 D autres API xml.dom interface complète DOM/DOM dom.html construction d un arbre html dom.javadom utilise java dom pour jython dom.minidom implémentation minimale de DOM dom.ext.domsax génère des évènements SAX d un arbre DOM xml.parsers.sgmllib xml.parsers.xmlproc «parseur» avec validation xml.sax interface complète SAX/SAX sax.drivers parseurs:htmllib, sgmllib,xmlproc... sax.drivers parseur SAX java pour jython sax.saxlib classes: DecHandler, LexicalHandler sax.saxutils classes: DefaultHandler, ErrorPrinter, ErrorRaiser et XMLGenerator sax.xmlreader classe : XMLReader xml.utils.qp_xml parseur simple et rapide sous pyexpat représentation d arbre xml.xpath parseur et évaluation de chemin Xpath mais aussi : dom.ext, dom.ext.cl4n, dom.ext.reader, xml.marshal.generic, xml.marshall.wddx, xml.ns, xml.schema.trex, xml.utils.characters, xml.utils.iso Pratiquer XML en python Python XML FAQ and How-to Chapter 5. XML Processing Différences entre SAX et SAX : Python implementation python/xml xmlproc: An XML parser in Python tools python Python and XML in general Information on 4Suite 58

30 Pratiquer XML en python examples/demo practical python, xml and dom python and HTML processing (sgmllib) 59 Récapitulatif des modules/applications Python A lire : 4Suite: Platform for XML XML package for Python librairie pour le projet gnome 60

31 Récapitulatif des modues perl Perl XML Project Home Page Perl XML FAQ Version. Bioperl Projects: XML Parsing Biological Data: Flat, HTML, and XML Files XML::SAX - an introduction london.pm.org/tech_talks/_nov_00/dom/xmlsax.pdf Liste des modules perl / xml 6 Où trouver l information pour Java? SAX java An Overview of Sun's Java XML APIs JAXP, JAXB, JDOM...etc 6