5

Rubyのバージョンは2.1.2です。

REXMLを使ってXML内の特定のタグ以下のノードにマッチさせたいです。
タグが英語であればマッチするのですが、日本語のタグだとルート以下の全体がマッチしてしまいます。
例えば、XML解析のRubyコードは以下のようになっています。

require 'rexml/document'

doc = nil
File.open("example.xml") do |file|
  doc = REXML::Document.new(file)
end

puts REXML::XPath.match(doc, "/root/a")

この時、読み込むexample.xmlが以下のような場合は、

<?xml version="1.0" ?>
<root>
  <a>
    <b/>
  </a>
  <a>
    <b>bbb1</b>
    <b>bbb2</b>
      <e>eeee1</e>
      <f>ffff1</f>
    <b>bbb3</b>
    <c>ccc1</c>
  </a>
  <a>
    <b>bbb4</b>
    <b>bbb5</b>
  </a>
</root>

以下のように返ってきますが、

#<a>
#  <b/>
#</a>
#<a>
#  <b>bbb1</b>
#  <b>bbb2</b>
#    <e>eeee1</e>
#    <f>ffff1</f>
#  <b>bbb3</b>
#  <c>ccc1</c>
#</a>
#<a>
#  <b>bbb4</b>
#  <b>bbb5</b>
#</a>

example.xmlが以下のような場合、

<?xml version="1.0" ?>
<本棚>
  <本>
    <b/>
  </本>
  <本>
    <b>bbb1</b>
    <b>bbb2</b>
      <e>eeee1</e>
      <f>ffff1</f>
    <b>bbb3</b>
    <c>ccc1</c>
  </本>
  <本>
    <b>bbb4</b>
    <b>bbb5</b>
  </本>
</本棚>

Rubyのコードを以下のように書き換えても、

# coding: utf-8
require 'rexml/document'

doc = nil
File.open("example.xml") do |file|
  doc = REXML::Document.new(file)
end

puts REXML::XPath.match(doc, "/本棚/本")

以下のように返ってきます。

#<本棚>
#  <本>
#    <b/>
#  </本>
#  <本>
#    <b>bbb1</b>
#    <b>bbb2</b>
#      <e>eeee1</e>
#      <f>ffff1</f>
#    <b>bbb3</b>
#    <c>ccc1</c>
#  </本>
#  <本>
#    <b>bbb4</b>
#    <b>bbb5</b>
#  </本>
#</本棚>

理想は以下のように返ってきて欲しいです。

#<本>
#  <b/>
#</本>
#<本>
#  <b>bbb1</b>
#  <b>bbb2</b>
#    <e>eeee1</e>
#    <f>ffff1</f>
#  <b>bbb3</b>
#  <c>ccc1</c>
#</本>
#<本>
#  <b>bbb4</b>
#  <b>bbb5</b>
#</本>

XMLファイル自体の文字コードはUTF-8です。 どのようにしたら希望通りにパースされた結果を得ることができるでしょうか?

1 件の回答 1

1

nokogiriでもよろしければ

require 'nokogiri'

doc = nil
File.open("example.xml") do |file|
   doc = Nokogiri::XML(file)
end

puts doc.xpath("/本棚/本")

で、以下の様に取得できました。

<本>
    <b/>
    </本>
<本>
      <b>bbb1</b>
      <b>bbb2</b>
      <e>eeee1</e>
      <f>ffff1</f>
      <b>bbb3</b>
      <c>ccc1</c>
    </本>
<本>
      <b>bbb4</b>
      <b>bbb5</b>
    </本>

以下の環境で確認しました

  • windows 7 + ruby 2.1.4 + nokogiri 1.6.5

  • Ubuntu 14.04 + ruby 2.1.5 + nokogiri 1.6.5
    ( ruby2.1-dev, libxml2, libxml2-dev, libxslt1.1, libxslt1-dev )


補足の追記:

いきなりnokogoriを提案した形になってしまったので少し補足します。 ubuntuやwindows上でもREXMLでは"/本棚/本"が "/本棚" と同じ動きになっていました。 また、"/山/川"などとしても同様に"/山"と同じ様な動作でしたのでnokogiriで試してみたら上手くいったので提案しました。

ruby 1.8をつかって日本語でも正しく区切られるようなページを見かけていたため、先ほど気になって試してみましたが、windows環境でrubyinstallerからruby 1.8.7を入れて質問のrexmlで"/本棚/本"のソースそのままで試したところ以下の様に取得されました。
※ 1.8.7でコマンドプロンプト上で実行するとコマンドプロンプトがutf8をプリントできずに<譛ャ>と化けてしまいますが、ファイルにリダイレクトすればutf8の文字コードで以下の内容になっています。

<本>
    <b/>
    </本>
<本>
      <b>bbb1</b>
      <b>bbb2</b>
      <e>eeee1</e>
      <f>ffff1</f>
      <b>bbb3</b>
      <c>ccc1</c>
    </本>
<本>
      <b>bbb4</b>
      <b>bbb5</b>
    </本>

問題は Win/Linuxどちらでも起きているので、rubyかREXMLかどちらかのバージョンの問題と思われます。

1
  • なるほど。今回はRuby2.1ということと、タイトルに「REXMLで」と書きましたが、スクレイピングできれば問題ないので、NokogiriでOKでした。 ありがとうございました!
    – naoyu_k
    Commented 2014年12月5日 4:43

この質問に回答するには、ログインする必要があります。

求めていた回答ではありませんか? のタグが付いた他の質問を参照する。