Cexer中XML解析的源代码分析
1、 XML源文件的加载
Cexer中将XML文件名作为参数对象的初始化。在系统内部开辟缓冲区，将整个XML源文件读入缓冲区，以后对XML文件的解析都是建立在该缓冲区基础上的。
代码如下：
001、 _FILEPtr handle = NULL;
002、 #if defined(_MSC_VER) && _MSC_VER>=1400
003、 errno_t error = ::_wfopen_s( &handle,file,L"rb" );
004、 if ( error)
005、 {
006、 return false;
007、 }
008、 #else
009、 handle = ::_wfopen( file,L"rb" );
0010、 #endif
其中file是文件名字符串，
002-010是根据宏版本采用不同的系统函数打开文件，获得文件句柄handle。
001、 ::fseek( handle,0,SEEK_END );
002、 long length = ::ftell( handle );
003、 ::fseek( handle,0,SEEK_SET );
004、
005、 if ( length <= 3 )
006、 {
007、 return false;
008、 }
009、
0010、 ScopedBuffer<BYTE> buffer( length+2 );
0011、 if ( !buffer )
0012、 {
0013、 return false;
0014、 }
0015、
0016、 buffer[0] = 0;
0017、 buffer[1] = 0;
0018、 if ( 1 != ::fread(buffer,length,1,handle) )
0019、 {
0020、 return false;
0021、 }
0022、 buffer[length] = 0;
0023、 buffer[length+1] = 0;
行001-002获取源文件的长度，
行003将文件指针复位到文件头。
行010-014调用内部缓冲区管理申请缓存，注意多申请了两个字节的长度。行018调用fread函数将文件读入缓冲区。
行022-023将缓冲区字符串置结束符。此处为什么要多申请一个字节？？（因为置结束符只需要一个字节）
以后所有的解析操作均是对这个缓冲区指针操作。
2、 对不同编码格式的支持
Cexer支持多种格式的编码，它是通过解析XML头中的encoding字段来识别的。XML头如下：
<?xml version="1.0" encoding="UTF-8" standalone="yes" ?>
解析XML头是函数_parseDeclaration完成的。
001、 PBYTE XmlFile::_parseDeclaration( PBYTE buffer,long length )
002、 {
003、 // 有UNICODE签名,直接解析
004、 if ( 0xFF==*buffer && 0xFE==*(buffer+1) )
005、 {
006、 m_encoding = encodingUTF16LE;
007、 m_bom = true;
008、 return buffer + 2;
009、 }
0010、 else if ( isUnicode(buffer,length>100?100:length,IS_TEXT_UINCODE_TEST) )
0011、 {
0012、 m_encoding = encodingUTF16LE;
0013、 return buffer;
0014、 }
0015、
0016、 // 有UTF8签名
0017、 if ( 0xEF==*buffer && 0xBB==*(buffer+1) && 0xBF==*(buffer+2) )
0018、 {
0019、 m_encoding = encodingUTF8;
0020、 m_bom = true;
0021、 return buffer + 3;
0022、 }
0023、
0024、 //从缓冲区中查找到第一个'<'
0025、 PCSTR ptr = reinterpret_cast<PCSTR>( buffer );
0026、 while ( *ptr && *ptr!='<' )
0027、 {
0028、 ++ptr;
0029、 }
0030、
0031、 if ( !*ptr )
0032、 {
0033、 return NULL;
0034、 }
0035、 //找到第一个'<'
0036、 //跳过"<?xml"
0037、 //要求"<?xml"必须在文件头出现
0038、 if ( ::strncmp(ptr,"<?xml",5) )
0039、 {
0040、 return NULL;
0041、 }
0042、
0043、 ptr += 5;
0044、
0045、 //查找且必须出现"encoding"字段
0046、 while ( *ptr && ::strncmp(ptr,"encoding",8) && *ptr!='?' )
0047、 {
0048、 ++ptr;
0049、 }
0050、
0051、 if ( !*ptr )
0052、 {
0053、 return NULL;
0054、 }
0055、
0056、 //如果后面紧跟着'?'
0057、 //采用缺省的UTF8编码方式
0058、 //即允许<?xml version="1.0" encoding?>此XML格式
0059、 if ( *ptr == '?' )
0060、 {
0061、 m_encoding = s_defaultEncoding;
0062、 return buffer;
0063、 }
0064、
0065、 //skip "encoding"
0066、 ptr += 8;
0067、 ptr = xml::skipInvalidChar( ptr );
0068、 if ( !ptr || *ptr!='=' )
0069、 {
0070、 return NULL;
0071、 }
0072、
0073、 //'=' must be next to "encoding"
0074、
0075、 ++ptr;
0076、 ptr = xml::skipInvalidChar( ptr );
0077、 if ( !ptr )
0078、 {
0079、 return NULL;
0080、 }
0081、
0082、 CHAR endQuot = 0;
0083、 if ( *ptr=='/'' )
0084、 {
0085、 endQuot = '/'';
0086、 }
0087、 else if ( *ptr=='/"' )
0088、 {
0089、 endQuot= '/"';
0090、 }
0091、 else
0092、 {
0093、 return NULL;
0094、 }
0095、
0096、 ++ptr;
0097、 PCSTR first = ptr;
0098、
0099、 while ( *ptr && *ptr!=endQuot )
00100、 {
00101、 ++ptr;
00102、 }
00103、
00104、 //skip the format "encoding = ' '" or "encoding = " " "
00105、
00106、 if ( !*ptr )
00107、 {
00108、 return NULL;
00109、 }
00110、
00111、 if ( ptr == first )
00112、 {
00113、 m_encoding = encodingUTF8;
00114、 return buffer;
00115、 }
00116、
00117、 stringA name;
00118、 //把编码字符串取出来
00119、 name.assign( first,(stringA::size_type)(ptr-first) );
00120、
00121、 m_encoding = theEncodings.find( name.c_str() );
00122、 return buffer;
00123、 }
004-0022是查看文件头是否直接携带格式签名字符串。若携带，则直接返回相应的格式字符串。否则需要头中查找encoding字段来确定。
0025首先把缓冲区指针强转为PCSTR。
0026-0034在XML头中寻找’<’字符，
0038-0043查找并跳过XML头中的”<?xml”字符串。注意此处要求”<?xml”是严密格式，中间不能有任何其他字符。
0046-0054查找”encoding”字符串或者查看是否到头结束（以’?>’标识）。
0059-0063表示如果XML头中没有encoding字段，就采用缺省的编码格式进行解析，返回。
否则0066-0071跳过”encoding”字符串。
0075-0080跳过’=’及其后的合法字符串。
0082-0094查看encoding的赋值方式，是采用’’还是””,
0099-00102解析’’或””之间的部分，记录下此时的结束指针。
00111-00115是处理encoding字段未赋值的情况，此时采用encodingUTF8编码方式。00117-00121将’’或””之间的字符串取出赋给变量m_encoding
函数外部根据编码类型将缓冲区重新进行转换，是通过newUnicodeFromAnsi函数实现
的，而内部是通过MultiByteToWideChar系统函数实现了不同格式的转换。
3、 XML头的解析
Cexer中对XML头的解析是通过XmlDeclaration类的_parse方法完成的。
001、 _parse( PCWSTR ptr )
002、 {
003、 CEXER_ASSERT( ptr != NULL );
004、
005、 static const PCWSTR s_begin = L"<?xml"; //5;
006、 static const PCWSTR s_end = L"?>"; //2;
007、
008、 if ( !ptr || !*ptr || ::wcsncmp(ptr,s_begin,5) )
009、 {
0010、 return NULL;
0011、 }
0012、
0013、 ptr += 5;
0014、 //skip header "<?xml"
0015、 while ( ptr && *ptr )
0016、 {
0017、 //skip 合法字符,此时ptr此时跳过的字符地址
0018、 ptr = xml::skipInvalidChar( ptr );
0019、
0020、 if ( !::wcsncmp(ptr,s_end,2) )
0021、 {
0022、 //这里作为解析头成功
0023、 //+2表示跳过"?>"
0024、 //返回的是指向XML开始
0025、 return ptr+2;
0026、 }
0027、
0028、 //解析version属性
0029、 else if ( !::wcsncmp(ptr,L"version",7) )
0030、 {
0031、 XmlAttribute attr;
0032、 ptr = attr._parse( ptr );
0033、 m_version = attr.value();
0034、 }
0035、 else if ( !::wcsncmp(ptr,L"encoding",8) )
0036、 {
0037、 XmlAttribute attr;
0038、 ptr = attr._parse( ptr );
0039、 m_encoding = attr.value();
0040、 }
0041、 else if ( !::wcsncmp(ptr,L"standalone",10) )
0042、 {
0043、 XmlAttribute attr;
0044、 ptr = attr._parse( ptr );
0045、 m_standalone = attr.value();
0046、 }
0047、 else
0048、 {
0049、 return NULL;
0050、 }
0051、 }
0052、 return ptr;
0053、 }
_parser函数传入参数为XML缓冲区的首指针。
行0012-0046是遍历头缓冲区。作为合法的XML头，此循环会在行0016-0022中退出。
其他部分分别解析XML头各个字段。
4、 XML中Element元素的解析
对Element元素的识别是通过如下方式：
001、 // <element>..</element>
002、 else if ( ::isalnum( *(ptr+1) ) || *(ptr+1)==L'_' )
003、 {
004、 child = new XmlElement();
005、 }
在字符’<’后紧跟着字母或者数字标识着元素的开始。
对Element元素的解析是通过XmlElement类的_parse方法实现。
001、 PCWSTR XmlElement::_parse( PCWSTR ptr )
002、 {
003、 CEXER_ASSERT( ptr != NULL );
004、
005、 if ( !ptr || *ptr!=L'<' )
006、 {
007、 return NULL;
008、 }
009、
0010、 ++ptr;
0011、
0012、 //允许'<'和Element之间有合法字符
0013、 ptr = xml::skipInvalidChar( ptr );
0014、 if ( !ptr || !*ptr )
0015、 {
0016、 return NULL;
0017、 }
0018、
0019、 ptr = XmlNamedNode::_parse( ptr );
0020、 if ( !ptr || !*ptr )
0021、 {
0022、 return NULL;
0023、 }
0024、
0025、 while ( ptr && *ptr )
0026、 {
0027、 ptr = xml::skipInvalidChar( ptr );
0028、 if ( *ptr == L'/' )
0029、 {
0030、 ++ptr;
0031、
0032、 if ( *ptr != L'>' )
0033、 {
0034、 return NULL;
0035、 }
0036、
0037、 return ptr+1;
0038、 }
0039、 else if ( *ptr == L'>' )
0040、 {
0041、 //如果此行以<Element>
0042、 //则记录下相应的结束匹配标记</Element>
0043、 //skip '>' char
0044、 ++ptr;
0045、
0046、 stringW endTag = L"</";
0047、 endTag += m_name + L">";
0048、 long endTagLen = (long)endTag.length();
0049、
0050、 //解析<Element>...</Element>之间的部分
0051、 ptr = _parseContent( ptr );
0052、 if ( !ptr || !*ptr || ::wcsncmp(ptr,endTag.c_str(),endTagLen) )
0053、 {
0054、 return NULL;
0055、 }
0056、
0057、 return ptr + endTagLen;
0058、 }
0059、 else
0060、 {
0061、 ptr = _parseAttributes( ptr );
0062、 }
0063、 }
0064、
0065、 return ptr;
0066、 }
此函数是一个递归解析函数。
行005表示Element必须以字符’<’开始。
行0013跳过字符’<’和元素名之间的合法字符。
行0019解析出元素名称。
行0025开始while循环遍历，此处会完整的解析出此元素范围内的所有内容。对于一个Element元素，存在两种形式：
一种是<Element Attribute1= “ Attribute_Value 1” Attribute2= “ Attribute_Value 2” />
一种是
<Element>
<Element2 Attribute1 =“ Attribute_Value 1” Attribute2= “ Attribute_Value 2” >
</Element2>
</Element>
对于第一种情况，循环退出在行0037。
对于第二种情况，需要先把当前元素的结束条件记录下来，即是变量endTag。对于中间的内容，调用_parseContent进行解析。_parseContent中又会递归的调用_parse方法，所以_parse是一个递归函数，它解析完整的Element内容。它符合Element内容的嵌套定义过程。
5、 XML中节点的组织方式
（1）、将XML文档中同层的所有节点串成链表，维护一个头尾指针。通过appendChild函数实现。
（2）、将元素内的所有属性用Vector串联。
呵呵，关于Cexer的代码解析至此就告一段落了。下面着手将此用C语言实现出来。
扫一扫
2045
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
