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