XML ETL — Service Provider Content Extractor 🗂️

Herramienta de línea de comandos que extrae, limpia y muestra los productos anidados dentro de etiquetas de proveedores de servicios en archivos .content.xml. Sin dependencias externas. Sin configuración. Solo ejecutar.

---

Tabla de Contenidos 📋

• ¿Qué problema resuelve?
• Proceso ETL
• Estructura de Carpetas
• Requisitos
• Instalación y Uso
• Tabla de Transformación de Caracteres
• Detalles Técnicos
• Ejemplo de Salida
• Licencia

---

¿Qué problema resuelve? 🎯

Los sistemas CMS como Adobe Experience Manager (AEM) almacenan el contenido en archivos .content.xml donde los nombres de nodos contienen caracteres especiales codificados en formato hexadecimal (por ejemplo, Mi_x0020_Producto_x0028_2024_x0029_). Leer estos archivos manualmente es tedioso y propenso a errores.

XML ETL automatiza ese proceso en tres pasos:

1. 📥 Extrae la jerarquía de nodos desde service-providers en el XML
2. 🔄 Transforma los códigos hexadecimales a texto legible
3. 🖨️ Muestra los resultados formateados en consola, agrupados por proveedor

---

Proceso ETL ⚙️

╔══════════════════╦══════════════════════════╦══════════════════════════╗
║  🟡  EXTRACT     ║  🔵  TRANSFORM           ║  🟢  LOAD               ║
╠══════════════════╬══════════════════════════╬══════════════════════════╣
║                  ║                          ║                          ║
║  Parsea el       ║  replace_char() convierte║  Imprime en consola los  ║
║  .content.xml    ║  códigos hex a caracteres║  tags en grupos de 3:    ║
║  con ElementTree ║  legibles:               ║                          ║
║                  ║                          ║  proveedor categoría     ║
║  Navega hasta    ║  _x0020_ → espacio       ║  producto                ║
║  3 niveles desde ║  _x0026_ → &             ║                          ║
║  <service-       ║  _x0028_ → (             ║  Reporta el tiempo de    ║
║  providers>      ║  _x002b_ → +  etc.       ║  ejecución al finalizar  ║
║                  ║                          ║                          ║
╚══════════════════╩══════════════════════════╩══════════════════════════╝

Extract — ET.parse() + get_tags() 🟡

El script abre y parsea el archivo .content.xml usando xml.etree.ElementTree. La función get_tags() recorre los nodos service-providers con bucles anidados y recolecta los tags de los tres sub-niveles de la jerarquía.

Transform — replace_char() 🔵

Cada tag extraído pasa por replace_char(), que aplica una lista de reemplazos secuenciales para decodificar los caracteres especiales codificados por el CMS. Los reemplazos cubren espacios, símbolos de puntuación y dígitos del 0 al 9.

Load — print() + time.perf_counter() 🟢

Los tags limpios se imprimen en la consola en grupos de 3 elementos por línea (proveedor, categoría, producto) usando " ".join(). Al finalizar, el script reporta el tiempo total de ejecución con precisión de microsegundos.

---

Estructura de Carpetas 📁

xml-etl/
│
├── 📄 .content.xml        ← Archivo fuente (debes colocarlo aquí)
├── 🐍 xml_etl.py          ← Script principal
├── 📖 README.md
└── 📜 LICENSE

⚠️ Importante: El archivo .content.xml debe estar en la raíz del proyecto, en el mismo directorio desde donde se ejecuta el script. Si necesitás apuntar a otra ruta, editá esta línea en xml_etl.py:

tree = ET.parse('.content.xml')  # ← Reemplazá por la ruta absoluta o relativa

---

Requisitos 🛠️

Componente	Versión / Detalle
Python	3.10 o superior
xml.etree.ElementTree	Incluida en la librería estándar
time	Incluida en la librería estándar
Dependencias externas	✅ Ninguna — zero pip install

---

Instalación y Uso 🚀

No hay nada que instalar. Solo necesitás Python y tu archivo XML.

Paso 1 — Obtené el script

git clone https://github.com/tu-usuario/xml-etl.git
cd xml-etl

Paso 2 — Colocá tu archivo en la raíz

cp /ruta/a/tu/.content.xml .

Paso 3 — Ejecutá

python xml_etl.py

Paso 4 — Revisá la salida en consola

Proveedor A  Categoria 1  Producto 001
Proveedor A  Categoria 1  Producto 002
Proveedor B  Categoria 2  Producto 010
...

Elapse time: 0.03 seconds

💡 Tip: Para guardar la salida en un archivo de texto, usá redirección de consola:

python xml_etl.py > output.txt

---

Tabla de Transformación de Caracteres 🔄

La función replace_char() decodifica los siguientes 16 códigos hexadecimales. Los reemplazos se aplican de forma secuencial sobre el mismo string, por lo que un tag puede contener múltiples códigos y todos serán sustituidos en un solo paso.

#	Código Hexadecimal	Carácter resultante	Descripción	Ejemplo de transformación
1	_x0020_		Espacio en blanco	Mi_x0020_Producto → Mi Producto
2	_x0026_	&	Ampersand	AT_x0026_T → AT&T
3	_x0027_	'	Apóstrofe / comilla simple	It_x0027_s → It's
4	_x0028_	(	Paréntesis de apertura	Plan_x0028_A_x0029_ → Plan(A)
5	_x0029_	)	Paréntesis de cierre	Plan_x0028_A_x0029_ → Plan(A)
6	_x0030_	0	Dígito 0	SKU_x0030_1 → SKU01
7	_x0031_	1	Dígito 1	Tier_x0031_ → Tier1
8	_x0032_	2	Dígito 2	Modelo_x0032_ → Modelo2
9	_x0033_	3	Dígito 3	Pack_x0033_ → Pack3
10	_x0034_	4	Dígito 4	Plan_x0034_G → Plan4G
11	_x0035_	5	Dígito 5	Plan_x0035_G → Plan5G
12	_x0036_	6	Dígito 6	Rev_x0036_ → Rev6
13	_x0037_	7	Dígito 7	Code_x0037_ → Code7
14	_x0038_	8	Dígito 8	Line_x0038_ → Line8
15	_x0039_	9	Dígito 9	Zone_x0039_ → Zone9
16	_x002b_	+	Signo más	Plan_x0035_G_x002b_ → Plan5G+

📝 Nota: La codificación _xHHHH_ es generada automáticamente por AEM y sistemas basados en JCR cuando los nombres de nodo contienen caracteres especiales no permitidos directamente en XML.

---

Detalles Técnicos 🔬

Profundidad de Navegación XML

El script utiliza 4 niveles de bucles anidados en get_tags() para atravesar la estructura del XML:

📦 Raíz del XML (.content.xml)
 └── 🏢 <service-providers>                    ← findall() — punto de entrada
      └── 📁 subchild     (Nivel 1)            ← Proveedor de servicio  ✅ tag guardado
           └── 📂 subsubchild    (Nivel 2)     ← Categoría de productos ✅ tag guardado
                └── 🛒 subsubsubchild (Nivel 3)← Producto individual    ✅ tag guardado

Variable	Nivel	Rol en el negocio	¿Tag recolectado?
node	contenedor	Nodo <service-providers>	❌ Solo como punto de entrada
subchild	1	Proveedor de servicio	✅ tags.append(subchild.tag)
subsubchild	2	Categoría de productos	✅ tags.append(subsubchild.tag)
subsubsubchild	3	Producto individual	✅ tags.append(subsubsubchild.tag)

🔍 Nota sobre el break: El bucle más interno incluye un break al final de cada iteración. Esto asegura que se procese únicamente el primer hijo de cada nodo subsubchild, capturando un tag representativo por categoría y evitando duplicados en la salida.

Formato de Salida en Consola

Los tags recolectados forman una lista plana que se imprime en triadas:

for i in range(0, len(modified_tags), 3):
    print(" ".join(modified_tags[i:i+3]))

Cada línea representa un triplete del árbol: [Proveedor] [Categoría] [Producto].

Medición de Rendimiento

El script usa time.perf_counter() — el reloj de mayor resolución disponible en Python — para medir el tiempo total de ejecución, incluyendo el parse del XML y todas las transformaciones.

start_time = time.perf_counter()
# ... todo el procesamiento ...
end_time = time.perf_counter()
print(f"\nElapse time: {end_time - start_time:.2f} seconds")

Complejidad Computacional

Métrica	Valor
Tiempo	O(n × r) — n nodos procesados × r reemplazos por tag (16 fijos)
Espacio	O(t) — t tags recolectados almacenados en lista
I/O	Una única lectura del archivo XML completo en memoria

---

Ejemplo de Salida 📤

Dado un .content.xml con proveedores de servicios de telecomunicaciones cuyos nodos están codificados:

Tags originales en el XML:

<service-providers>
  <Proveedor_x0020_A>
    <Internet_x0028_Hogar_x0029_>
      <Plan_x0035_G_x002b_ />
    </Internet_x0028_Hogar_x0029_>
  </Proveedor_x0020_A>
</service-providers>

Salida en consola tras ejecutar el script:

Proveedor A  Internet(Hogar)  Plan5G+

Elapse time: 0.03 seconds

---

Licencia 📜

Distribuido bajo la licencia MIT. Consultá el archivo LICENSE para más detalles.

---

Hecho con 🐍 Python puro  ·  Sin dependencias  ·  Sin complicaciones