万能的XML
|
问题描述： 问题来源于《Python基础教程》第三个实例，万能的xml。本项目要解决的常见问题是解析（读取和处理）XML文件。因为使用XML几乎能表示任何数据。更具体点来说，通过单个的XML文件生成一个完整的网站，这个文件包括站点结果和每个页面的基本内容。因为对于XML的不了解，所以，先在http://www.w3school.com.cn/x.asp补充了一点XML的背景知识。 首先考虑XML文件需要描述什么： *网站：不用存储有关网站本身的任何信息，所以，网站就是包括所有文件和目录的顶级元素。 *目录：目录是文件和其他目录的容器。 *页面：一个网页。 *名称：目录和网页都需要名称--当目录和文件出现在文件系统和相应的URL中时，它们可以用作目录名和文件名。 *标题：每个网页都应该有标题（和文件名不同）、 *内容：每个网页都有一些内容。这里只用XHTL来表示内容--这样就能将它传递到最终的网页上，让浏览器对它进行解释。 简单来说，文档由一个包含数个directory和page元素的website元素组成，每个目录元素可以包括更多的页面和目录。Directory和page元素有叫做name的特性，属性值是他们的名字。除此之外，page标签还有title的特性。 用于测试的XML文件表示的简单网站（website.xml） <website>
<page name="index" title="Home page">
<h1>Welcome to my Home page</h1>
<p>Hi,there. My name is Mr.gumby,and this is my home page,here are some of my int:</p>
<ul>
<li><a href="interests/shouting.html">Shouting</a></li>
<li><a href="interests/sleeping.html">Sleeping</a></li>
<li><a href="interests/eating.html">Eating</a></li>
</ul>
</page>
<directory name="interests">
<page name="shouting" title="Shouting">
<h1>shouting page</h1>
<p>....</p>
</page>
<page name="sleeping" title="Sleeping">
<h1>sleeping page</h1>
<p>...</p>
</page>
<page name="eating" title="Eating">
<h1>Eating page</h1>
<p>....</p>
</page>
</directory>
</website>
XML解析： XML解析是如何工作的，这里所使用的方法叫做SAX，包括编写一组时间处理程序（就如同GUI程序设计），当解析器读XML文档的时候，就可以让它调用这些处理完成解析工作。 使用SAX进行解析时，有很多的事件类型可用，但是本项目只用了三个：元素的起始（开始标签的匹配项）、元素的结束（关闭标签的匹配项）以及纯文本（字符）。要解析XML文件，可以使用xml.sax模块的parse函数。这个函数负责处理程序会作为内容处理程序（contenthandler）对象的方法来实现。需要集成xml.asx.handler中的ContentHandler类，因为它实现了所有需求的事件处理程序（只不过是没有任何效果的未操作），可以再需要的时候覆盖这些函数。 创建HTML页面： 现在已经准备好要创建好原形了，首先忽略目录，专注于创建HTML页面。创建的压面要符合厦门的要求： 1、在每个page元素的开始处，使用给定的文件名打开一个新文件，写入合适的HTML首部，包括给定的标题。 2、在每个page元素的结尾处，写入HTML的页脚，然后关闭文件。 3、在page元素内部时，跳过所有标签和字符，不进行修改（将他们直接写入文件）。 4、不再page元素内部时，忽略所有的标签（比如说website或者directory） 大多数的功能实现起来都很简单，但是有两个问题比较不完全清楚： 1、不能简单的“穿过”标签（在建立HTML文件时直接写入文件），因为只有名字（可能还有一些特性）。需要自己重建这些标签（使用尖括号等）。 2、SAX本身无法告诉你当前是否正位于一个page元素内部。所以，需要自己注意这类事情。在这个项目中，程序支队是否穿过标签和文本感兴趣，所以使用一个叫做passthrough的布尔变量在进入和离开页面时进行更新。 初次实现代码如下： from xml.sax.handler import ContentHandler
from xml.sax import parse
class PageMaker(ContentHandler):
passthrough = False
def startElement(self,name,attrs):
if name == 'page':
self.passthrough = True
self.out = open(attrs['name']+ '.html','w')
self.out.write('<html><head>n')
self.out.write('<title>%s</title>' % attrs['title'])
self.out.write('</head><body>n')
elif self.passthrough:
self.out.write('<' + name)
for key,val in attrs.items():
self.out.write(' %s="%s"' % (key,val))
self.out.write('>')
def endElement(self,name):
if name =='page':
self.passthrough = False
self.out.write('n</body></html>n')
self.out.close()
elif self.passthrough:
self.out.write('</%s>' % name)
def characters(self,chars):
if self.passthrough: self.out.write(chars)
parse('website.xml',PageMaker())
这段代码运行的结果会得到4个HTML文件： Eating.html Index.html Shouting.html Sleeping.html 其中index.html的截图如下：
再次实现： 因为SAX的机制比较底层且基本，同城会编写一个Mix-in类来处理手机字符数据，管理布尔状态变量（比如passthrough）或是纸牌时间到自己定义的时间中处理程序等这类管理细节。这里主要介绍程序的调度。 主要改变有三点： 1、调度程序的Mix-in类 这个类实现了以下几个功能： A、当使用‘foo’这样的名字调用startElement时，它会试图寻找叫做startFoo的时间处理程序，然后利用给定的特性进行调用。 B、同样的，如果使用‘foo’调用endElement，那么它会试着调用ednFoo。 C、如果在这些地方找不到给定的时间处理程序，那么会分别调用defaultStart或者defaultEnd方法。如果连默认的处理程序都没有的话，那就什么都不做。 可能对于抽象编程这类东西了解不够深，对于这个感觉还是有点难以理解。按照书里面说的，所做的方法如下： A、根据一个前缀（‘start’或‘end’）和一个标签名（比如‘page’）构造处理程序的方法名（比如‘startPage’） B、使用同一的前缀，构造默认处理程序的名字（比如‘defaultStart’） C、试着使用getattr获得处理程序，用None作为默认值 D、如果结果可以调用，那么讲一个空元组赋值给args E、否则试着利用getattr获取默认处理程序，在使用None作为默认值。同样的，将args设定为只包括标签名的元组（以为内默认的处理程序需要）。 F、如果正使用一个起始处理程序，那么将属性添加到参数元组（args）中 G、如果处理程序可调用（或者是可用的具体处理程序，或者是可用的默认处理程序），那么，使用正确的参数进行调用。 2、实现首部、页脚和默认的处理程序 这个比较好理解，程序创建单独的方法用于编写首部和页脚。 3、对目录的支持 为了创建所需要的目录，需要os和os.path模块中的一些有用的函数，其中之一就是os.makedirs，它可以再给定的路径中创建所有需要的目录。比如os.makedirs（‘foo/bar/baz’）会在当前的目录中创建foo目录，然后在foo中创建bar目录，最后在bar目录中创建baz，如果foo目录已经存在，那么只会创建bar和baz，类似的，如果bar也存在的话那么只有baz会被创建。不过如果baz同样存在的话，就会引发一个异常。 为了避免出现这个异常，需要使用os.path.isdir函数，它可以检查给定的路径是否是目录（即目录是否存在）。另外的一个有用的函数是os.path.join，它可以使用正确的分隔符将数个路径连接起来。 4、事件处理程序 最后需要实现时间处理程序。需要四个对象--两个处理目录，两个处理页面。目录处理程序只有使用directory列表和ensureDirectory方法。 页面处理程序使用writeHeader和writeFooter方法，初次之外，他们还要设定passthrough变量（穿过XHTML）以及要打开和关闭的页面关联的文件。 网站构建函数如下（website,py）： from xml.sax.handler import ContentHandler
from xml.sax import parse
import os
class Dispatcher:
def dispatch(self,prefix,attrs = None):
mname = prefix +name.capitalize()
dname = 'default' +prefix.capitalize()
method = getattr(self,mname,None)
if callable(method): args = ()
else:
method = getattr(self,dname,None)
args = name,if prefix == 'start':args +=attrs,if callable(method): method(*args)
def startElement(self,attrs):
self.dispatch('start',attrs)
def endElement(self,name):
self.dispatch('end',name)
class WebsiteConstructor(Dispatcher,ContentHandler):
passthrough = False
def __init__(self,directory):
self.directory = [directory]
self.ensureDirectory()
def ensureDirectory(self):
path = os.path.join(*self.directory)
if not os.path.isdir(path): os.makedirs(path)
def characters(self,chars):
if self.passthrough: self.out.write(chars)
def defaultStart(self,attrs):
if self.passthrough:
self.out.write('<' + name)
for key,val in attrs.items():
self.out.write(' %s = "%s"' %(key,val))
self.out.write('>')
def defaultEnd(self,name):
if self.passthrough:
self.out.write('</%s>' % name)
def startDirectory(self,attrs):
self.directory.append(attrs['name'])
self.ensureDirectory()
def endDirectory(self):
self.directory.pop()
def startPage(self,attrs):
filename = os.path.join(*self.directory+[attrs['name']+'.html'])
self.out = open(filename,'w')
self.writeHeader(attrs['title'])
self.passthrough = True
def endPage(self):
self.passthrough = False
self.writeFooter()
self.out.close()
def writeHeader(self,title):
self.out.write('<html>n <head>n <title>')
self.out.write(title)
self.out.write('</title>n </head>n <body>n')
def writeFooter(self):
self.out.write('n </body>n</html>n')
parse('website.xml',WebsiteConstructor('public_html'))
实现结果是生成public_html/的文件夹，这个文件夹里面含有一个index.html的文件和interests的文件夹，interests里面放的是三个HTML文件，HTML的文件实现结果和之前一样。 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |