使用bash解析xml

最初的需求是希望bash能提供完整成熟的xml解析工具来解析xml，但是并没有找到这样的工具。后来在StackOverFlow上找到一个简单的处理xml的方法，即：

rdom () { local IFS=\> ; read -d \< E C ;}

方法只有一行！（当然，两条语句应该算是两行……）

当然，这也只能处理最简单原始的xml，不能处理带属性的，不能有注释等等。

由于楼主过于懒惰，不想引入（学习）新的脚本语言，所以打算改造上面的方法。

 

改造之前，先来解释一下上面那行语句的意义。

其实很简单，这行命令的作用就是读取<与下一个<之间的字符

（xml中，如果在节点本身之外存在<或者>，则函数失效，所以我们假设xml中没有此情况）

有了上面的假设，那么两个<字符直接，就一定会有一个>字符，>将read读取的内容分为两部分，分别记做E和C，举个简单的例子：

value

第一次执行rdom时，read读取到<即结束了，所以E和C都是空字符串。

第二次执行rdom时，read读取到的内容为：tag>value，然后是<字符，read结束。所以E=tag；C=value

第三次执行rdom时，read读取到的内容为：/tag>到下一个<或文件末尾。所以E=/tag，C为空白符。

 

所以这种方式并不实用，我们想支持带属性的节点，我们也不想删除xml中的注释，我们甚至还想解析xml的声明，我们……好了，我们想的太多了。我们还是看看能做些什么吧。

我们可以看出，<>里面的部分是作为整体赋值给E的，那么解析属性就要对E做手脚。

（我们假设xml中，在节点本身之外没有<和>，属性值中也没有空格） 

下面我们来操作一下，首先先引入一个输入空格，用来显示层级的函数echo_tabs

echo_tabs() {
    local tabs="";
    for((i = 0; i < $1; i++)); do
        tabs=$tabs'    ' #4个空格
    done
    echo -n "$tabs" #一定要加双引号
}

然后我们来解析xml中的声明，就是下面这部分 

声明与其他标签闭合方式不同，并且尖括号内两端是?，所以这里要把它与普通节点区分。 

read_dom() {
    #备份IFS
    local oldIFS=$IFS

    local IFS=\> #字段分割符改为>
    read -d \< ENTITY CONTENT #read分隔符改为<
    local ret=$?
    local ELEMENT=''
    #第一次执行时,第一个字符为<.
    #所以read执行完毕,ENTITY和CONTENT都是空白符
    if [[ $ENTITY =~ ^[[:space:]]*$ ]] && [[ $CONTENT =~ ^[[:space:]]*$ ]]; then
        return $ret
    fi

    # ENTITY = ?xml version="1.0" encoding="utf-8"?
    #解析xml声明,并非普通节点,闭合方式与节点不同
    if [[ "$ENTITY" =~ ^\?xml[[:space:]]*(.*)\?$ ]]; then #使用正则去除问号和xml字符
        ENTITY=''
        ELEMENT='' #不是普通节点
        ATTRIBUTES="${BASH_REMATCH[1]}" #获取声明中的属性
    else #普通节点
        ELEMENT=${ENTITY%% *} #获取节点名称,如果ENTITY中有空格,则第一个空格前面部分即为节点名称
        ATTRIBUTES=${ENTITY#* } #获取节点所有属性,如果ENTITY中有空格,则第一个空格后面部分为所有属性(#2和#4,#4情况下,会多出/)
    fi
}

下面我们来解析注释。注释让人烦恼的地方是，注释内可以包含尖括号！这里只做最简单处理，只解析不含尖括号的注释！ 

if [[ "$ENTITY" = \!--*-- ]]; then #不检查注释
    return 0
fi

 

现在我们看xml中最关键的部分

我们知道，CONTENT为节点的内容，显示出来就可以了

if [[ ! "$CONTENT" =~ ^[[:space:]]*$ ]]; then
    echo -n CONTENT=$CONTENT
fi

节点自身属性都在ENTITY中，所以我们需要将节点名称与属性分开，然后再提取属性名和属性值

我们分别处理下面几种形式的节点

abc

我们之前已经将节点名称与属性分开了

ELEMENT=${ENTITY%% *} #获取节点名称，如果ENTITY中有空格，则第一个空格前面部分即为节点名称
ATTRIBUTES=${ENTITY#* } #获取节点所有属性，如果ENTITY中有空格，则第一个空格后面部分为所有属性(#2和#4，#4情况下，会多出/)

但是上面的ATTRIBUTES变量会有个小问题，稍后说明

ELEMENT如果以/开头，那么这是读取到节点的闭合标签了

ELEMENT如果以/结尾，那么这是一个空标签，类似

其他情况ELEMENT均为节点名称，但是读取这类标签时，ELEMENT没有问题，ATTRIBUTES是以/结尾，也就是说，这时，标签已经闭合，并且我们需要将/从ATTRIBUTES末尾删除

#!/usr/bin/env bash
#只适合解析简单xml，若属性值带有空格，注释中含有尖括号等，则无法解析
#下面情况可以正常解析
#0.
#1.Only For Test
#2.
#3.
#4.
#Attribute=Attribute Name
#VALUE=Attribute Value
#ELEMENT=Element Name
#CONTENT=Element Content

#接受一个int层级参数，层级从0开始
echo_tabs() {
    local tabs="";
    for((i = 0; i < $1; i++)); do
        tabs=$tabs'    ' #4个空格
    done
    echo -n "$tabs" #一定要加双引号
}

read_dom() {
    #备份IFS
    local oldIFS=$IFS

    local IFS=\> #字段分割符改为>
    read -d \< ENTITY CONTENT #read分隔符改为<
    local ret=$?
    local ELEMENT=''
    #第一次执行时，第一个字符为<.
    #所以read执行完毕，ENTITY和CONTENT都是空白符
    if [[ $ENTITY =~ ^[[:space:]]*$ ]] && [[ $CONTENT =~ ^[[:space:]]*$ ]]; then
        return $ret
    fi

    #第二次执行时，分为下面集中情况
    #0.
    #此时read结果为?xml version="1.0" encoding="utf-8"?
    #CONTENT=若干空白符

    #1.1785
    #此时read结果为Size，所以ENTITY=Size，CONTENT='1785'
    #第三次read结为/Size，所以ENTITY=/Size，CONTENT=若干空白符

    #2.
    #此时read结果为ListBucketResult xmlns="http://s3.amazonaws.com/doc/2006-03-01/"，所以ENTITY=tListBucketResult xmlns="http://s3.amazonaws.com/doc/2006-03-01/"，CONTENT=同#1

    #3.
    #此时read结果为test/，所以ENTITY=test/，CONTENT=若干空白符

    #4.
    #此时read结果为test name="xyz" age="21"/，所以ENTITY=test name="xyz"/，CONTENT=若干空白符

    #5.
    #此时read结果为!--q1--，所以ENTITY=!--q1--，CONTENT=''

    # ENTITY = ?xml version="1.0" encoding="utf-8"?
    #解析xml声明，并非普通节点，闭合方式与节点不同
    if [[ "$ENTITY" =~ ^\?xml[[:space:]]*(.*)\?$ ]]; then #使用正则去除问号和xml字符
        ENTITY=''
        ELEMENT='' #不是普通节点
        ATTRIBUTES="${BASH_REMATCH[1]}" #获取声明中的属性
    else #普通节点
        ELEMENT=${ENTITY%% *} #获取节点名称，如果ENTITY中有空格，则第一个空格前面部分即为节点名称
        ATTRIBUTES=${ENTITY#* } #获取节点所有属性，如果ENTITY中有空格，则第一个空格后面部分为所有属性(#2和#4，#4情况下，会多出/)
    fi

    if [[ "$ENTITY" = \!--*-- ]]; then #不检查注释(#5)
        return 0
    fi

    if [[ "$ELEMENT" = /* ]]; then #节点末尾 #1第三步
        tabCount=$[$tabCount - 1]
        echo_tabs $tabCount
        echo END ${ELEMENT#*/} #删除/
        return 0
    elif [[ "$ELEMENT" = */  ]] || [[ $ATTRIBUTES = */  ]]; then #3或#4
        empty=true #节点没有子节点，也没有value(自身为闭合标签)
        if [[ $ATTRIBUTES = */  ]]; then #如果是#4情况
            ATTRIBUTES=${ATTRIBUTES%*/} #将末尾的/删除，提取所有属性
        fi
        echo_tabs $tabCount
        echo -n ELEMENT=${ELEMENT%*/}' '
    elif [ ! "$ELEMENT" = '' ]; then #第一次执行时，ENTITY和CONTENT都是空串
        echo_tabs $tabCount
        echo -n ELEMENT="$ELEMENT"' ' #输出节点名
        tabCount=$[$tabCount + 1] #新节点
    else
        echo -n "XML declaration " #ELEMENT为空，不计算层级
    fi

    local empty=false #没有子节点，没有value
    IFS=$oldIFS #属性之间由空白符分割，恢复IFS，IFS默认为空格/换行/制表符
    local hasAttribute=false #节点是否有属性
    for a in $ATTRIBUTES; do #循环所有属性
        #echo ATTRIBUTES=$ATTRIBUTES '   -+-+-+-   '
        if [[ "$a" = *=* ]] #情况#2和#4
        then
            hasAttribute=true
            ATTRIBUTE_NAME=${a%%=*} #提取属性名
            ATTRIBUTE_VALUE=`tr -d '"' <<< ${a#*=}` #提取属性值并去掉双引号
            echo -n ATTRIBUTE=$ATTRIBUTE_NAME VALUE=$ATTRIBUTE_VALUE' ' #输出属性名/属性值
        fi
    done

    if [[ ! "$CONTENT" =~ ^[[:space:]]*$ ]]; then
        echo -n CONTENT=$CONTENT
    fi

    if [ "$empty" = true ]; then
        echo
        echo_tabs $tabCount
        echo -n END ${ELEMENT%/*} #删除/
#        echo -n ' (empty node)'
    fi

    echo
    return $ret
}

read_xml() {
    local tabCount=0 #用来格式化输出，计算节点层级
    while read_dom; do
        :
    done < test.xml
}

read_xml

对下面xml执行此脚本

    
    
    
    
        
        Only For Test
        
        abc
        

        
        
    

输出结果为

 

转贴请保留以下链接

本人blog地址

http://su1216.iteye.com/

http://blog.csdn.net/su1216/