履歴もしくは日誌

xsltproc を使って XHTML からメタデータを抽出してみる

XML.com の記事を見ていたら，面白い事が書いてありました．Libxlst を紹介する記事だったんですが，xsltproc で，直接 Web ページや XSLT のスタイルシートをダウンロードしつつ，変換するっていう事．そんな事ができるって知りませんでした．記事の例では Google News のページを得て，それに XSLT を使ってブロックレベルの HTML 要素に固有の id を挿入するっていうデモでした．

xsltproc -html -o gnews.xml http://www.snee.com/xml/xslt/addids.xsl http://news.google.com/news?ned=tus

Windows ではどうだか知らないけど，Mac OS X とか Linux では xsltproc というコマンドが使えるようになっていると思います．さっそく試してみました．これ自分の環境でやってみたら，Google の URI はダブルクォーテーションで囲む必要がありました．

xsltproc -html -o gnews.xml http://www.snee.com/xml/xslt/addids.xsl "http://news.google.com/news?ned=tus"

したら，gnews.xml っていうファイルが生成されました．これは元と比べると id 属性が挿入されて，そこに固有 ID が与えられてました．まぁ変換の内容は XSLT が分かる人はスタイルシートを見れば数行なのですぐに分かると思います．

これ，-html っていうオプションを与えると，入力が整形式 XML でない HTML でも受け入れるってのが面白いですね．それに HTML をいったんダウンロードしなくても，直接 xsltproc で取って来れるって知らなかったですよ．

これを使って XHTML に埋め込まれているメタデータを RDF/XML として抽出するのを試してみました．GRDDL だと，XHTML にメタデータを埋め込み，その XHTML の profile の情報から利用できる XSLT スタイルシートが得られるようになっています．ここでは profile を見て XSLT スタイルシートを見つけるのでは無くて，神崎さんの xh2rdf.xsl を利用します．

xsltproc -o metadata.rdf xh2rdf.xsl http://onohiroki.cycling.jp/2005-08-05-1

これで metadata.rdf というファイル名で RDF/XML が得られます．もっとあちこちで GRDDL が利用されたらおもしろいかな．

参照先:

• XML.com: Appreciating Libxslt
  http://www.xml.com/pub/a/2005/08/03/libxslt.html
• XSLT スタイルシート xh2rdf.xsl
  http://www.kanzaki.com/parts/xh2rdf.xsl
• Embedding metadata in XHTML and extracting them as RDF
  http://www.kanzaki.com/docs/sw/xh2rdf.html
• XHTMLからメタデータを自動抽出する
  http://www.kanzaki.com/docs/sw/xh2meta.html

Trackback URI http://onohiroki.cycling.jp/tb/tb.cgi/weblog_d20050805n1 TrackBack