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 -*-
importosimportsysfrom xml.sax.handler importContentHandlerfrom xml.sax importparseclassDispatcher:'''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)ifcallable(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,ifcallable(method):
method(*args)#重载父类的startElement方法
defstartElement(self, name, attrs):
self.dispatch('start', name, attrs)#重载父类的endElement方法
defendElement(self, name):
self.dispatch('end', name)classWebsiteConstructor(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 =Falsedef __init__(self, directory):
self.directory=[directory]
self.ensureDirectory()defensureDirectory(self):
path= os.path.join(*self.directory)if notos.path.isdir(path):
os.makedirs(path)defcharacters(self, chars):ifself.passthrough:
self.out.write(chars)defdefaultStart(self, name, attrs):ifself.passthrough:
self.out.write('
printattrsfor key, val inattrs.items():
self.out.write('%s=%s' %(key, val))printkey,val
self.out.write('>')defdefaultEnd(self, name):ifself.passthrough:
self.out.write('%s>' %name)defstartDirectory(self, attrs):
self.directory.append(attrs['name'])
self.ensureDirectory()defendDirectory(self):
self.directory.pop()defstartPage(self, attrs):
filename= os.path.join(*self.directory + [attrs['name'] + '.html'])
self.out= open(filename, 'w')printos.pathprintfilenameprintself.directoryprint self.directory + [attrs['name'] + '.html']
self.writeHeader(attrs['title'])
self.passthrough=TruedefendPage(self):
self.passthrough=False
self.writeFooter()
self.out.close()defwriteHeader(self, title):
self.out.write('\n
\n ')self.out.write(title)
self.out.write('
\n \n \n')defwriteFooter(self):self.out.write('\n \n\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