Entidade HTML na resposta do protocolo OAI-PMH

[gustavofonseca]

O erro foi reportado por Mike Lichtenberg, do BHL.

O conjunto de dados retornados pela interface OAI-PMH apresenta a entidade HTML <dc:creator>D&#8217;Ávila,V. A.</dc:creator>, conforme exemplo:

URL que apresenta o problema: http://www.scielo.br/oai/scielo-oai.php?verb=GetRecord&identifier=oai:scielo:S1519-69842016000300796&metadataPrefix=oai_dc

[joffilyfe]

Resultado da exploração inicial

• Acessando a base original e procurando pelo PID do artigo foi possível observar que o dado está escrito desta maneira D’?vila [1];
• Observando a XSLT: durante a criação da tag dc:creator é possível perceber que o valor é encapsulado dentro de uma <![CDATA[]]>;
• Por estar dentro de uma tag CDATA o valor é interpretado do modo que é entregue ao browser/engine;

Imagens

[1] - Busca pelo artigo em questão:

[gustavofonseca]

Eu imagino que esse caso é mais comum do que aparenta, digo, a ocorrência de entidades html na base de dados ISIS. Você já tem em mente alguma abordagem para solucionar?

[joffilyfe]

Eu imagino que esse caso é mais comum do que aparenta, digo, a ocorrência de entidades html na base de dados ISIS. Você já tem em mente alguma abordagem para solucionar?

Depois de alguns séculos eu tenho uma proposta de solução para o problema, segue a url com um gist https://gist.github.com/joffilyfe/bc6daae8e7c5c40e496d1c2331307b41.

Basicamente transformamos todas as entidades html logo após a transformação da XSLT. A principio o código html_entity_decode('output xml', ENT_QUOTES, "UTF-8"); seria suficiente para resolver todo o problema porém no caso do temos urls codificadas que e me parece que elas não podem ser transformadas (por causa do consumidor talvez?). Então foi necessário iterar entre todas as entidades, verificar se elas são entidades passíveis de transformação e realizar a substituição da entidade não codificada pelo valor transformado.

[gustavofonseca]

A abordagem me parece boa. Deixei um comentário no gist.

[jamilatta]

@joffilyfe

Nessa abordagem vejo que resolvemos o problema para o OAI-PMH, mas o problema permanece na base de dados, o que talvez seja um problema para os aplicativos que irão fazer uso dos dados da base de dados ISIS.

Como a atividade é para resolver um problema do OAI-PMH especificamente, acho a solução satisfatória, porém, recomendo abrimos um tíquete para uma solução que seja na camada da base de dados ISIS.

[joffilyfe]

@joffilyfe Como a atividade é para resolver um problema do OAI-PMH especificamente, acho a solução satisfatória, porém, recomendo abrimos um tíquete para uma solução que seja na camada da base de dados ISIS.

Aparentemente isso não é possível @jamilatta , segundo a @robertatakenaka a base ISIS não suporta o UTF-8 então estes caracteres precisam ser traduzidos para as suas representações HTML.

Eu acredito em uma solução a posteriori onde nós teremos esses dados no XML (migrado) e na base do Kernel em UTF-8.

[jamilatta]

@joffilyfe

OK!

[joffilyfe]

Resolução em produção.