最近，公司交给我一项学习XML的任务。OK，但它不是技术上的XML，而是RDF。但是我发现PHP中的XML
分析函数同样可以工作。我分析的是DMOZ(http://www.dmoz.org/)，但是为了简单，我将只使用XML的基本
东西，在你的时间里，自由去分析DMOZ ;o)
开始之前，先要确定你所拥有的PHP二进制执行码编译时是带'--with-xml'选项的。如果是这样的，你
就可以开始分析XML了。接着从Slashdot的主页上抓取XML文件(http://www.slashdot.org/slashdot.xml)。
Slashdot有一个相当简单的文件，非常容易分析。
记住对XML的处理很象处理数据库中的表。你会得到xml分析器的一个结果索引，象是XML文档的一个"假"
表。一旦清楚了不同之处，就可以立刻开始分析了。
PHP的XML函数允许你指定三个函数，用来处理XML文件中的数据。一个函数用来处理开标记，一个处理
两个标记之间的数据，另一个处理闭标记。根据传给你的标记的名字，你就可以按照意愿操作数据了。为了
开始，需要查看XML文件，找出文件中的标记。在slashdot文件中，包含有STORY，TITLE，URL，TIME，AUTHOR，
DEPARTMENT，TOPIC，COMMENTS，SECTION和IMAGE标记。在某种情况下可能还有一些属性，例如HREF在HTML
中是A标记的属性。PHP有一种非常“酷”的方法来自动地处理属性。接着需要在脚本中定义这些标记。
< ?php
$open_tags = array(
'STORY' => '< STORY> ',
'TITLE' => '< TITLE> ',
'URL' => '< URL> ');
$close_tags = array(
'STORY' => '< /STORY> ',
'TITLE' => '< /TITLE> ',
'URL' => '< /URL> ');
?>
我只想分析上面的数据，因为我只想处理这些Slashbox其中之一。在列表的后面是用来提取数据的函数。
下面就是我所创建的函数。
< ?php
// 处理开标记的属性
// $attrs 是一个多维数组，以属性名为键值，值为它的属性值
function startElement($parser, $name, $attrs=''){
global $open_tags, $temp, $current_tag;
$current_tag = $name;
if ($format = $open_tags[$name]){
switch($name){
case 'STORY':
echo 'New Story: ';
break;
default:
break;
}
}
}
// $current_tag 用来表示当前正在处理的标记，
// 后面将在characterData函数中使用
//
// 当看到一个< /STORY> 标记时，这时就应该输出临时变量
// 并且准备转移到下一个标记
function endElement($parser, $name, $attrs=''){
global $close_tags, $temp, $current_tag;
if ($format = $close_tags[$name]){
switch($name){
case 'STORY':
return_page($temp);
$temp = '';
break;
default:
break;
}
}
}
// 在两个元素间的数据将传给这个函数，
// 那么在< TITLE> Title Here< /TITLE> 这行中，
// $data将等于'Title Here'
function characterData($parser, $data){
global $current_tag, $temp, $catID;
switch($current_tag){
case 'TITLE':
$temp['title'] = $data;
$current_tag = '';
break;
case 'URL':
$temp['url'] = $data;
$current_tag = '';
break;
default:
break;
}
}
?>
如你所见，到目前为止用PHP分析XML一切很顺利。下面是有趣的部分 -- 分析文件！要对文件进行分析，
需要剩下的代码，它们相当简单。
< ?php
function return_page(){
global $temp;
echo 'o < A HREF="'.$temp['url'].'"> '.$temp['title'].'< /A> < BR> ';
}
// 我们正在分析什么？
$xml_file = 'slashdot.xml';
// 声时字符集 - 缺省为UTF-8
$type = 'UTF-8';
// 创建分析器
$xml_parser = xml_parser_create($type);
// 设置一些分析选项
xml_parser_set_option($xml_parser, XML_OPTION_CASE_FOLDING, true);
xml_parser_set_option($xml_parser, XML_OPTION_TARGET_ENCODING, 'UTF-8');
// 告诉PHP，当找到一个标记时应该调用哪一个函
// 数，而且这些函数也会处理元素的属性
xml_set_element_handler($xml_parser, 'startElement','endElement');
// 告诉PHP，用哪一个函数来处理字符数据
xml_set_character_data_handler($xml_parser, 'characterData');
if (!($fp = fopen($xml_file, 'r'))) {
die("Could not open $xml_file for parsing!n");
}
// 循环处理文件
while ($data = fread($fp, 4096)) {
if (!($data = utf8_encode($data))) {
echo 'ERROR'."n";
}
if (!xml_parse($xml_parser, $data, feof($fp))) {
die(sprintf( "XML error: %s at line %dnn",
xml_error_string(xml_get_error_code($xml_parser)),
xml_get_current_line_number($xml_parser)));
}
}
xml_parser_free($xml_parser);
?>
现在发生了这些事情：PHP开始处理，直到它找到< ELEMENT ATTRIBUTE='bold'> 。然后将ELEMENT和它的
属性传给startElement函数。因为Slashdot文件没有任何属性，所以不必担心。但是如果文件有属性，应该
在这里处理它们。然后PHP将闭元素与开元素之间的数据传给characterData函数，最后将闭元素和它的属性
传给endElement函数。endElement函数调用了return_page()函数，但是只有当碰到故事结束时才会调用。在
这个时候，$temp变量保存着从startElement和characterData所收集来的数据。
现在最后要做的就是在cron[注1]中加入一条wget了！
--------------------------------------------------------------------------------
[注1]
cron是在unix/linux中自动定时处理守护，可以将一些想定时处理的工作交给它来完成。详细的请参阅
unix/linux手册。
|
