使用python解析xml，主要使用sax的ContentHandler中的标签开始和标签结束的方法驱动，然后在开始（或者结束）事件中决定使用什么处理方法，使用dispatcher来决定并分发到指定方法内处理处理流程如下：
- 初始化的时候创建一个目录list
- 遇到page在当前目录下新建一个html文件，标志接下来的标签是要使用default处理，写到html页面中
- 遇到page内部的标签，使用default处理
- 遇到page结束标签，该html写完，填充结尾标签，关闭流
- 遇到directory标签，往directory的list】中添加下以及目录名称
- 遇到page重复第1,2,3步
- 解析完成
代码如下
#! /usr/bin/env python
# -*- coding=utf-8 -*-
import os
import sys
from xml.sax.handler import ContentHandler
from xml.sax import parse
class Dispatcher:
‘‘‘
根据具体的xml标签分发到具体的解析函数解析
‘‘‘
def dispatch(self, prefix, name, attrs=None):
mname = prefix + name.capitalize()
dname = ‘default‘ + prefix.capitalize()
method = getattr(self, mname, None)
if callable(method):
# 如果有该标签的处理方法则使用该方法处理，并初始化需要传递的参数
args = ()
else:
# 如果没有该标签的处理方法，则采用默认的处理方法，将标签内的内容作为正文
method = getattr(self, dname, None)
# 默认处理函数需要传递标签名称
args = name,
# 如果是调用开始处理函数， 需要传递该标签的属性
if prefix == ‘start‘:
args += attrs,
if callable(method):
method(*args)
# 重载父类的startElement方法
def startElement(self, name, attrs):
self.dispatch(‘start‘, name, attrs)
# 重载父类的endElement方法
def endElement(self, name):
self.dispatch(‘end‘, name)
class WebsiteConstructor(Dispatcher, ContentHandler):
‘‘‘
分析website.xml构建html网页
‘‘‘
# 该标签是否是正文，是否被page包裹，是否需要解析
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, name, attrs):
if self.passthrough:
self.out.write(‘<‘ + name)
print ‘-----‘
print attrs
for key, val in attrs.items():
self.out.write(‘ %s=%s‘ % (key, val))
print 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‘)
print os.path
print filename
print self.directory
print self.directory + [attrs[‘name‘] + ‘.html‘]
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‘)
# 执行程序
parse(‘website.xml‘, WebsiteConstructor(‘public_html‘))
参照书中写完代码之后，发现"args += attrs"一直报错，调试的时候发现
TypeError: coercing to Unicode: need string or buffer, instance found
在"+="运算符连边需要的是string或者buffer，实际上是instance，在这条语句里面attrs是AttributesImpl的对象，前面"args = name"将name赋值给args，args是string，所以attrs类型不对，一开始还以为是ContentHandler API改变了（因为该书已经比较早了），在ipython交互命令行中查看帮助文档，发现没有错，折腾调试了挺久，对照书中源码发现有两处少了","，当时已经疯了。。。。。
args = name, args += attrs,
少了上面两个逗号，内心的崩溃啊，由此可见自己python基本知识还是漏了
args = name # args仅仅是一个对象，并不是元组 args = name, # args是一个元组
一个逗号引发的血案。。。。。
还有就是"+="，该运算符两边类型必须一致，都是字符串（列表，元组）
完整代码
http://pan.baidu.com/s/1pLqxLKv
时间： 2024-11-10 07:53:09