Procesado de documentos XML con Ruby (I)

Uno de los problemas al lidiar con documentos XML es el análisis de los mismos y la representación del resultado en nuestros programas. Actualmente hai dos formas de análisis de esquemas: el análisis en árbol (tree parsing) y el análisis de flujos (stream parsing). En este artículo tratare el primer caso utilizando una de las librerías estándar de Ruby llamada REXML.
Un analizador en árbol lee el documento XML completo y represente su árbol en memoria.

La forma más sencilla de convertir un documento XML en un árbol no prodría ser más fácil.

require "rexml/document"
include REXML

doc = Document.new("<verdad-verdadera>Ya llega el veranito</verdad-verdadera>")
print doc.root.name, ": ", doc.root.text, "\n"

Esto produce:

verdad-verdadera: Ya llega el veranito

Al llamar Document.new() con este ejemplo estamos convirtiendo una cadena de texto en una instancia de la clase Document, pero el metodo new() acepta parámetros de distintos tipos:

  • Las instancias de la clase REXML::Document simplemente se copiarán
  • Las cadenas que contienen documentos XML se analizarán y serán convertidas en instancias de la clase REXML::Document.
  • Las instancias de la clase IO serán leídas y analizadas. Por ejemplo para analizar un fichero llamado ejemplo.xml, deberías llamar a:
Document.new(File.new("ejemplo.xml"))

Para acceder a los elementos o atributos de un nodo existen un par de funciones que nos va a ser de mucha ayuda:

  • .elements es una función que nos devuelve un array con los elementos hijo que contiene un nodo. por lo que podemos iterar sobre ellos.
document.root.elements.each do |hijo|
	puts hijo.text
end
  • .attributes es una función que nos devuelve un hash con los atributos y sus valores correspondientes al elemento desde el que se llama.
  • .text si el elemento a analizar es un nodo con texto o con texto y más elementos hijos podemos extraer sólo la parte plana con esta función.

Hay que tener en cuenta que los índices de los elementos REXML comienzan por 1, y no por 0, por lo que para recoger el primer hijo del elemento raíz deberías llamar a document.root.elements[1] o tambien documento.root[0] (nótese que en este caso si que es 0).

Teneis mucha más documentación en http://www.ruby-doc.org/core/classes/REXML.html