Dotaz: neznámé kódování v XML

[Ladislav Nešněra]

Potřeboval bych analyzovat záznamy v HelpDesku. Neboť umožňuje výstup v XML, zvolil jsem cestu transformace do csv a pak zpracování v tabulkovém procesoru. Žel narazil jsem na dvojí kódování ve vstupním souboru a ten druhý navíc nepoznávám. Tušíte někdo, co je to zač? Díky

---

---

Odpovědi

[Šangala]

Druhý řádek je asi 2× překódovaný & = &, tudíž &#FD = &#FD = ý

[Šangala]

Opravička: …tudíž: &#xFD = &#xFD = ý
Hexadecimální zápis a navíc překódovaný.

[Filip Jirsák]

Kdyby tady ten soubor byl přiložen, můžeme se na to třeba zkusit podívat. Ale křišťálovou kouli, abychom to poznali bez ukázky, asi nikdo nemá. Nebo zkuste použít nástroj Enca.

[Ladislav Nešněra]

Jasně že by to s originálním XML šlo líp, ale jsem vázán mlčenlivostí. Měl jsem to uvést už v dotazu. Omlouvám se ;?)

[Filip Jirsák]

Stačilo by kousek. Až po odeslání komentáře jsem zjistil, že součástí dotazu je obrázek – já mám obrázky v komentářích zakázané, takže tam nic nevidím. kdybyste místo toho obrázku přiložil textový soubor s jeho obsahem, bylo by to lepší. Ostatně ten obsah šlo vložit i přímo do textu dotazu.

[Ladislav Nešněra]

Příloha:

• ukazka (763 bytů)

nakonec jsem nějaký nezávadný kousek jsem našel. Snad bude stačit ;?)

To přímé vložení jsem zkoušel, ale co je UTF8 v HTML, je přímo nahrazeno, proto ty přílohy/obrázky..

[Filip Jirsák]

Některé znaky musely už v tom vstupu být zakódovány jako XML entity, a v tom dokumentu jsou pak zakódovány podruhé. Jiné znaky s diakritiky jsou ale zakódovány jen jednou. Každopádně když ten obsah načtete jako XML text, dostanete z toho tohle:

Při uzavírání spisu XXX se objevila chyba v synchronizaci, která není specifikována, pro nevím, jak ji odstranit. Prosím o nápravu. Povšimla jsem si (jedná se o toitž již o třetí případ), že chyba se objeví vždy, když chci uložit změny do karty případu.

To je pak znova potřeba interpretovat jako zdrojový kód XML v kódování Windows-1250, tj. třeba okolo toho znova přidat nějaké XML značky.

Můžete si to vyzkoušet třeba ve webovém prohlížeči, který umí zobrazovat i XML – zobrazit původní dokument jako XML v kódování Windows-1250, okopírujte si zobrazený obsah do schránky, vložte v textovém editoru do souboru, přidejte na začátek <a> a na konec </a>, uložte, a výsledek znova zobrazte v prohlížeči v kódování Windows-1250.

[Ladislav Nešněra]

Potvrzení pravděpodobné teorie, jak k této podivnosti dochází jsem našel zde

Jak věští ve své reakci Šangala, kódování je utf-8 s hex zápisem entity.

Ruční postup pomocí browseru funguje, ale v zamýšlená transformaci se mi těch entit zbavit nepodařilo (prakticky nulové zkušenosti s XSL)

[Šangala]

Jak jsem Vám hned napsal, je to 2× překódované - klasika...
Anebo to není 2× překódované, ale je to tak správně - je to věcí pohledu:
Máte HTML validní data (řetězce) a ty používají pro diakritiku hexadecimální zápis znaků tj. &xXX.
A ty data uložíte do XML dokumentu a v XML dokumentu se znak & nahradí za &, protože tak je to správně. - HA! :)

Když ta data vytahujete libovolným parsrem XML, měl by vám vrátit, validní HTML kód (tj. &xXX)
Prostě jsou to HTML data uložena v XML.
Je to obdoba, jako když se do DB ukládají HTML data, jenže tam to netrkne, bo se to tam zapisuje tak jak to je, ale XML dokument má některá pravidla.

Pokud to parsujete „nějak“ partyzánsky, lze udělat prasárny typu:
Vem hodnotu (řetězec) a zaměň:

& za &
< za <
> za >
" za "
' za '

Pak z toho dostanete normální HTML řetězce no a musíte si zaměnit sekvence:

&lt; za <
&gt; za >
&quot; za "
&apos; za '
&xXX za chr(hextodec(XX))

A asi tímto divným postupem z toho vyleze normální string.

[Ladislav Nešněra]

Oběma ještě jednou díky za pomoc

Neb si potřebuji připomenout Python, řešil jsem to v něm. Po prvním kole mi XSL transformace nechala nečitelné jen ty hexadecimálně zapsané entity. Těch jsem se následně zbavil kódem inspirovaným tímto.

Ještě jsem narazil na docela zajímavý projekt, žel hexadecimální entity také neumí.