python - xml.sax 解析器和行号等

Question

任务是解析一个简单的XML文档，并按行号分析内容。

正确的 Python 包似乎是 xml.sax。但是我该如何使用它呢？

在深入研究文档后，我发现:

• xmlreader.Locator 接口(interface)有信息:getLineNumber()。
• handler.ContentHandler 接口(interface)有 setDocumentHandler()。

第一个想法是创建一个 Locator，将其传递给 ContentHandler，并在调用其 character() 期间从 Locator 读取信息 方法等

但是，xmlreader.Locator 只是一个骨架接口(interface)，并且只能从它的任何方法返回 -1。 因此，作为一个糟糕的用户，除了自己编写整个 Parser 和 Locator 之外，我该怎么办？？

我现在会回答我自己的问题。

---

(好吧，我会的，除非那个武断的、烦人的规则说我不能。)

---

我无法使用现有文档(或通过网络搜索)解决这个问题，因此不得不阅读 xml.sax 的源代码(在/usr/lib/python2.7 下/xml/sax/在我的系统上)。

默认情况下，xml.sax 函数 make_parser() 会创建一个真正的 Parser，但那是什么东西？
在源代码中，我们发现它是一个 ExpatParser，定义在 expatreader.py 中。 而且...它有自己的 Locator，一个 ExpatLocator。但是，没有访问这个东西。 这与解决方案之间出现了很多令人头疼的问题。

1. 编写您自己的 ContentHandler，它知道 Locator，并使用它来确定行号
2. 使用 xml.sax.make_parser() 创建一个 ExpatParser
3. 创建一个 ExpatLocator，将其传递给 ExpatParser 实例。
4. 制作ContentHandler，给它这个ExpatLocator
5. 将 ContentHandler 传递给解析器的 setContentHandler()
6. 在 Parser 上调用 parse()。

例如:

import sys
import xml.sax

class EltHandler( xml.sax.handler.ContentHandler ):
    def __init__( self, locator ):
        xml.sax.handler.ContentHandler.__init__( self )
        self.loc = locator
        self.setDocumentLocator( self.loc )

    def startElement( self, name, attrs ): pass

    def endElement( self, name ): pass

    def characters( self, data ):
        lineNo = self.loc.getLineNumber()
        print >> sys.stdout, "LINE", lineNo, data

def spit_lines( filepath ):
    try:
        parser = xml.sax.make_parser()
        locator = xml.sax.expatreader.ExpatLocator( parser )
        handler = EltHandler( locator )
        parser.setContentHandler( handler )
        parser.parse( filepath )
    except IOError as e:
        print >> sys.stderr, e

if len( sys.argv ) > 1:
    filepath = sys.argv[1]
    spit_lines( filepath )
else:
    print >> sys.stderr, "Try providing a path to an XML file."

Martijn Pieters 在下面指出了另一种具有一些优势的方法。 如果正确调用了 ContentHandler 的父类(super class)初始值设定项， 然后结果是一个看起来很私密、没有记录的成员 ._locator 是 set，它应该包含一个合适的 Locator。

优点:您不必创建自己的 Locator(或了解如何创建它)。 缺点:它没有任何记录，使用未记录的私有(private)变量是草率的。

谢谢马丁!

Answer 1

sax 解析器本身 应该为您的内容处理程序提供定位器。定位器必须实现某些方法，但它可以是任何对象，只要它具有正确的方法即可。 xml.sax.xmlreader.Locator class是定位器预期实现的接口(interface)；如果解析器为您的处理程序提供了一个定位器对象，那么您可以指望定位器上存在的这 4 个方法。

仅鼓励解析器设置定位器，并非必须这样做。 expat XML 解析器确实提供了它。

如果子类化 xml.sax.handler.ContentHandler()然后它将为您提供一个标准的 setDocumentHandler() 方法，并且在调用处理程序上的 .startDocument() 时，您的内容处理程序实例将具有 self._locator 设置:

from xml.sax.handler import ContentHandler

class MyContentHandler(ContentHandler):
    def __init__(self):
        ContentHandler.__init__(self)
        # initialize your handler

    def startElement(self, name, attrs):
        loc = self._locator
        if loc is not None:
            line, col = loc.getLineNumber(), loc.getColumnNumber()
        else:
            line, col = 'unknown', 'unknown'
        print 'start of {} element at line {}, column {}'.format(name, line, col)