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。但是我该如何使用呢？

在对文档进行一些挖掘后，我发现：

xmlreader.Locator界面包含以下信息：getLineNumber()。
handler.ContentHandler界面有setDocumentHandler()。

首先想到的是创建一个Locator，将其传递给ContentHandler，并在调用其character()方法等时从定位器中读取信息。

但是，xmlreader.Locator只是一个骨架接口，只能从其任何方法返回-1。所以作为一个糟糕的用户，我应该做什么，除了编写我自己的整个Parser和Locator之外？

我现在回答我自己的问题。

（好吧，除了任意，烦人的规则，我说我不会这样做。）

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

默认情况下，xml.sax函数make_parser()会创建一个真实的Parser，但这是什么类型的？
在源代码中，我发现它是ExpatParser，在expatreader.py中定义。而且......它有自己的Locator，ExpatLocator。但是，没有机会接触到这个东西。这和解决方案之间存在许多令人头疼的问题。

编写自己的ContentHandler，它知道Locato r，并使用它来确定行号
使用ExpatParser

xml.sax.make_parser()

创建ExpatLocator，并将ExpatParser实例传递给它。
制作ContentHandler，将其ExpatLocator
将ContentHandler传递给解析器＆＃39; setContentHandler()
致电parse()上的Parser。

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有一些优势的方法。如果正确调用ContentHandler的超类初始值设定项，然后它发现了一个看起来很私人，没有文档的成员._locator 设置，应该包含适当的Locator。

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

谢谢Martijn！

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，但只要它具有正确的方法，它就可以是任何对象。 xml.sax.xmlreader.Locator class是定位器应该实现的接口;如果解析器为您的处理程序提供了一个定位器对象，那么您可以依赖定位器上存在的那4种方法。

解析器仅鼓励设置定位器，不需要这样做。 expat XML解析器确实提供了它。

如果您继承xml.sax.handler.ContentHandler()，那么它将为您提供标准的setDocumentHandler()方法，并且在调用处理程序时.startDocument()，您的内容处理程序实例将具有{{1设置：

self._locator

Answer 2

这是一个古老的问题，但我认为对此问题的答案比给出的答案更好，因此我还是要添加另一个答案。

尽管如Martijn的上述回答所述，在ContentHandler超类中确实确实存在一个未记录的私有数据成员_locator，但在我看来，使用该数据成员访问位置信息并不是定位设施的预期用途

我认为，史蒂夫·怀特（Steve White）提出了有关为何未记录此成员的好问题。我认为这些问题的答案是它可能不打算供公众使用。它似乎是ContentHandler超类的私有实现细节。由于它是未公开的私有实现细节，因此在以后发布SAX库时可能会在没有警告的情况下消失，因此依靠它可能很危险。

从阅读ContentHandler类的文档，特别是ContentHandler.setDocumentLocator的文档，对我来说，设计人员打算让用户替代ContentHandler.setDocumentLocator函数，以便在解析器调用它时，用户的内容处理程序子类可以保存对传入的定位器对象（由SAX解析器创建）的引用，并且以后可以使用该保存的对象来获取位置信息。例如：

class MyContentHandler(ContentHandler):
    def __init__(self):
        super().__init__()
        self._mylocator = None
        # initialize your handler

    def setDocumentLocator(self, locator):
        self._mylocator = locator

    def startElement(self, name, attrs):
        loc = self._mylocator
        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)

使用这种方法，无需依赖未记录的字段。

xml.sax解析器和行号等

2 个答案: