Perlを用いて、XMLファイルの中のキーワードの個数を数えるプログラ

質問

Perlを用いて、XMLファイルの中のキーワードの個数を数えるプログラムを組もうと思っています。
次のようなXMLの中の<keyword>のタグに囲まれた文字列を数えるプログラムです。

<?xml version="1.0" encoding="UTF-8"?>
<grant_award_list>
<grant_award id="1001">
<title>タイトル1</title>
<keywords><keyword>A</keyword><keyword>B</keyword></keywords>
</grant_award>
<grant_award id="1002">
<title>タイトル2</title>
<keywords><keyword>B</keyword></keywords>
</grant_award>
</grant_award_list>

このようなときに、次のようにキーワードとその出現回数が記載されたXMLファイルにしたいと考えています。

<?xml version="1.0" encoding="UTF-8"?>
<keywords>
<keyword>A</keyword>
<count>1</count>
</keywords>
<keywords>
<keyword>B</keyword>
<count>2</count>
</keywords>

具体的なプログラムのコードを教えてください。よろしくお願いします。

回答No.3

_--_1l1_1_ · ベストアンサー

最後にutf8で出力しているところで文字化けしているんじゃないですか？
cp932、shiftjis、eucjpなど適切なエンコードを指定して下さい。

あまり関係ないけどちょっと書き直し(全角空白あり注意)
use XML::TreePP;
use Encode;

my $file = shift || 'tmp.xml';
my $tpp = XML::TreePP->new( utf8_flag => 1, force_array => ['keyword'] );
my $tree_in = $tpp->parsefile($file);

my %count_of = ();
for my $hash_ref ( @{ $tree_in->{grant_award_list}->{grant_award} } ) {
　　my $keyword = $hash_ref->{keywords}->{keyword};
　　for my $item ( @{$keyword} ) {
　　　　$count_of{$item}++;
　　}
}
my $tree_out = {};
$tree_out->{keywords}
　　= [ map { { keyword => [$_], count => $count_of{$_} } } keys %count_of ];

my $xml = encode( "utf8", $tpp->write($tree_out) );
print $xml;

お礼

コマンドプロンプトによる表示が原因でした。

頂いたプログラムによってXMLファイルを生成したら、正常に表示されていました。

本当にありがとうございました。

補足

何度もありがとうございます。

cp932、shiftjis、eucjpなど試してみましたが、どれも文字化けしてしまいました。
XMLファイルの保存形式や文字コードも確認しましたが、やはり無理でした。

回答No.2

_--_1l1_1_

use XML::TreePP;
use Encode;

my $file = shift || 'tmp.xml';
my $tpp = XML::TreePP->new( utf8_flag => 1 );
my $tree_in = $tpp->parsefile($file);

my %count_of = ();
for my $hash_ref ( @{ $tree_in->{grant_award_list}->{grant_award} } ) {
　　my $keyword = $hash_ref->{keywords}->{keyword};
　　if ( ref($keyword) eq 'ARRAY' ) {
　　　　for my $item ( @{$keyword} ) {
　　　　　　$count_of{$item}++;
　　　　}
　　}
　　else {
　　　　$count_of{$keyword}++;
　　}
}

my $tree_out;
my $index = 0;
while ( my ( $keyword, $count ) = each %count_of ) {
　　$tree_out->{keywords}->[$index]->{keyword} = $keyword;
　　$tree_out->{keywords}->[$index]->{count}　 = $count;
　　$index++;
}

# encoding="UTF-8" なのでutf8で出力する。
my $xml = encode( "utf8", $tpp->write($tree_out) );
print $xml;

補足

ありがとうございます。

やはり文字化けしてしまいました。
モジュールが合わないということなのでしょうか。

回答No.1

_--_1l1_1_

表示がくずれるので、以下、スペース2文字を全角のスペースにして書いてあることに注意
use XML::TreePP;

my $file = shift || 'tmp.xml';
my $tpp = XML::TreePP->new( utf8_flag => 1 );
my $tree_in = $tpp->parsefile($file);

my %count_of = ();
for my $hash_ref ( @{ $tree_in->{grant_award_list}->{grant_award} } ) {
　　my $keyword = $hash_ref->{keywords}->{keyword};
　　if ( ref($keyword) eq 'ARRAY' ) {
　　　　for my $item ( @{$keyword} ) {
　　　　　　$count_of{$item}++;
　　　　}
　　}
　　else {
　　　　$count_of{$keyword}++;
　　}
}

my $tree_out;
my $index = 0;
while ( my ( $keyword, $count ) = each %count_of ) {
　　$tree_out->{keywords}->[$index]->{keyword} = $keyword;
　　$tree_out->{keywords}->[$index]->{count}　 = $count;
　　$index++;
}
my $xml = $tpp->write($tree_out);
print $xml;

補足

早速のお返事ありがとうございます。

<keyword>ではさまれた要素に漢字やひらがなを含んでいるため、文字化けしてしまいました。

どのようにすれば解決できますでしょうか。
よろしくお願いいたします。