Sax Parser Html Php

html2sax is a parser for html documents. It reads HTML-documents and creates callback calls using the Java(tm) SAX API.

There are many partly-malformed HTML documents on the web. Many page authors don’t care about correctness when their browser manages to display their page. Web browsers have specially adjusted parsers that can repair malformed HTML pages to a certain degree. Unfortunately there is no standard for correcting mistakes. So for wrong pages every browser behaves differently. To take a tool into the web you need to parse web pages. There is a lot of fancy XML technology out there, but HTML is actually no XML. XHTML is XML, but not very wide-spread today.

The intention for the original development was to have a really simple HTML parser that just splits up the lexical parts of a HTML document (tags, attributes, and text). The parser should handle errors gracefully and continue after them. It should not try to repair documents because the intention was to extract certain parts using XPath-queries. There is also a Java version of HTML tidy. It does its best at repairing malformed HTML documents. It works quite ok, but in my opinion it’s too much for some applications.

html2sax is designed to be the frontend for a web-spider reading websites. It can handle (almost?) all error situations, but will not try to correct problematic HTML pages. It operates on a very low level and is quite fast. Tests showed that it is twice as fast as Html-Tidy. html2sax works as a SAX parser. Usually SAX is just designed to handle real XML. html2sax will emit malformed XML which may confuse SAX-using code. Don’t expect many SAX-code to work with this ‘weak’ parser. The parser was written using a simple DFA.

The parser supports the following features:

There are several restrictions for html2sax that you should be aware of:

The only requirements for the parser is a Java(tm) 1.6 JRE.

Usage is quite simple. The following example runs the parser:

A working example is in the file Sample.java in the source distribution.

You can either download the library in the release section of github

or add this dependency to your Maven pom:

html2sax was written by Stephan Fuhrmann. You can reach my at s (at) sfuhrm.de.

The library is in the LPGL 2.1 license.

About

HTML parser that maps to the Java SAX interface.

Источник

чЧЕДЕОЙЕ Ч SAX

Nicholas Chase

29 ЙАМС 2003

уПДЕТЦБОЙЕ

тБЪДЕМ 1. чЧЕДЕОЙЕ

оХЦЕО МЙ НОЕ ЬФПФ ХЮЕВОЙЛ?

ч ЬФПН ХЮЕВОЙЛЕ ЙУУМЕДХЕФУС Simple API for XML ЧЕТУЙЙ 2.0.x ЙМЙ SAX 2.0.x.

пО РТЕДОБЪОБЮЕО ДМС ТБЪТБВПФЮЙЛПЧ, ЛПФПТЩЕ РПОЙНБАФ XML Й ИПФСФ ЙЪХЮЙФШ ЬФПФ МЕЗЛЙК УПВЩФЙКОП-ВБЪЙТПЧБООЩК API ДМС ТБВПФЩ У XML-ДБООЩНЙ. рТЕДРПМБЗБЕФУС, ЮФП ЧЩ ЪОБЛПНЩ У ФБЛЙНЙ ЛПОГЕРГЙСНЙ, ЛБЛ РТБЧЙМШОПЕ ЖПТНБФЙТПЧБОЙЕ Й У ФЕЗПЧПК РТЙТПДПК XML-ДПЛХНЕОФБ. (чЩ НПЦЕФЕ РПМХЮЙФ ВБЪПЧЩЕ РТЕДУФБЧМЕОЙС П УБНПН XML ЙЪ ХЮЕВОЙЛБ чЧЕДЕОЙЕ Ч XML.) ч ЬФПН ХЮЕВОЙЛЕ ЧЩ ХЪОБЕФЕ, ЛБЛ ЙУРПМШЪПЧБФШ SAX, ЮФПВЩ ЧЩВЙТБФШ, НБОЙРХМЙТПЧБФШ Й ЧЩЧПДЙФШ XML-ДБООЩЕ.

рТЕДЧБТЙФЕМШОЩЕ ЪБНЕЮБОЙС: SAX ДПУФХРЕО ЧП НОПЗЙИ СЪЩЛБИ РТПЗТБННЙТПЧБОЙС, ФБЛЙИ, ЛБЛ Java, Perl, C++ Й Python. ьФПФ ХЮЕВОЙЛ ЙУРПМШЪХЕФ ДМС ДЕНПОУФТБГЙК СЪЩЛ Java, ОП ЛПОГЕРГЙЙ Ч ТБЪОЩИ СЪЩЛБИ, РП УХЭЕУФЧХ, ПДЙОБЛПЧЩ, Й ЧЩ НПЦЕФЕ РПМХЮЙФШ РПОЙНБОЙЕ SAX, ДБЦЕ ОЕ ТБВПФБС ОБ УБНПН ДЕМЕ У ЬФЙНЙ РТЙНЕТБНЙ.

юФП ФБЛПЕ SAX?

уФБОДБТФОЩН УТЕДУФЧПН ДМС ЮФЕОЙС Й НБОЙРХМЙТПЧБОЙС XML-ЖБКМБНЙ СЧМСЕФУС пВЯЕЛФОБС нПДЕМШ дПЛХНЕОФБ, Document Object Model (DOM). л УПЦБМЕОЙА, ЬФПФ НЕФПД, ЛПФПТЩК ЧЛМАЮБЕФ Ч УЕВС ЮФЕОЙЕ ЧУЕЗП ЖБКМБ Й УПИТБОЕОЙЕ ЕЗП Ч УФТХЛФХТЕ ДЕТЕЧБ, НПЦЕФ ВЩФШ НБМПЬЖЖЕЛФЙЧОЩН, НЕДМЕООЩН Й ФТЕВПЧБФШ НОПЗП ТЕУХТУПЧ.

пДОПК ЙЪ БМШФЕТОБФЙЧ ЕНХ СЧМСЕФУС Simple API for XML ЙМЙ SAX. SAX РПЪЧПМСЕФ ЧБН ПВТБВБФЩЧБФШ ДПЛХНЕОФ РП НЕТЕ ЕЗП ЮФЕОЙС, ЮФП ХУФТБОСЕФ ОЕПВИПДЙНПУФШ ПЦЙДБФШ У ЧЩРПМОЕОЙЕН ЛБЛЙИ-ФП ДЕКУФЧЙК, РПЛБ ЧЕУШ ДПЛХНЕОФ ОЕ ВХДЕФ УПИТБОЕО.

тЕЪХМШФБФПН ВЩМ API, ЛПФПТЩК СЧМСЕФУС УПВЩФЙКОП-ВБЪЙТПЧБООЩН. рБТУЕТ РПУЩМБЕФ УПВЩФЙС, ФБЛЙЕ, ЛБЛ ОБЮБМП Й ПЛПОЮБОЙЕ ЬМЕНЕОФБ, Ч ПВТБВПФЮЙЛ УПВЩФЙК, ЛПФПТЩК ПВТБВБФЩЧБЕФ ЙОЖПТНБГЙА. ъБФЕН У ДБООЩНЙ ЙНЕЕФ ДЕМП УБНП РТЙМПЦЕОЙЕ. йУИПДОЩК ДПЛХНЕОФ ПУФБЕФУС ВЕЪ ЙЪНЕОЕОЙК, ОП SAX ПВЕУРЕЮЙЧБЕФ УТЕДУФЧБ ДМС НБОЙРХМЙТПЧБОЙС ДБООЩНЙ, ЛПФПТЩЕ ЪБФЕН НПЗХФ ВЩФШ ОБРТБЧМЕОЩ Ч ДТХЗПК РТПГЕУУ ЙМЙ ДПЛХНЕОФ.

SAX ОЕ ЙНЕЕФ ДЕТЦБФЕМС УФБОДБТФБ, ПО ОЕ РПДДЕТЦЙЧБЕФУС ЛПОУПТГЙХНПН World Wide Web (W3C) ЙМЙ ЛБЛЙН-ФП ДТХЗЙН ПЖЙГЙБМШОЩН ДЕТЦБФЕМЕН, ОП ДЕ-ЖБЛФП СЧМСЕФУС УФБОДБТФПН Ч УППВЭЕУФЧЕ XML.

йОУФТХНЕОФЩ

тБЪДЕМ 2. DOM, SAX Й, ЛПЗДБ ЛБЦДЩК ЙЪ ОЙИ РТЙНЕОСЕФУС

лБЛ ТБВПФБЕФ ПВТБВПФЛБ Ч SAX

SAX БОБМЙЪЙТХЕФ РПФПЛ XML Й РТПИПДЙФ ЮЕТЕЪ, ЛБЛ РП ФЕМЕФБКРОПК МЕОФЕ. тБУУНПФТЙН УМЕДХАЭЙК XML-ЛПД:

рТПГЕУУПТ SAX, БОБМЙЪЙТХАЭЙК ЬФПФ ЛПД, ВХДЕФ ЗЕОЕТЙТПЧБФШ, ЛБЛ РТБЧЙМП, УМЕДХАЭЙЕ УПВЩФЙС:

SAX API ДБЕФ ЧПЪНПЦОПУФШ ТБЪТБВПФЮЙЛХ ЧЩМПЧЙФШ ЬФЙ УПВЩФЙС Й ТБВПФБФШ РП ОЙН.

ъБ Й РТПФЙЧ УПВЩФЙКОП-ВБЪЙТПЧБООПК ПВТБВПФЛЙ

рТЕЙНХЭЕУФЧБ ЬФПЗП ЧЙДБ ПВТБВПФЛЙ ПЮЕОШ РПИПЦЙ ОБ РТЕЙНХЭЕУФЧБ РПФПЛПЧЩИ ОПУЙФЕМЕК. бОБМЙЪ НПЦЕФ ОБЮЙОБФШУС ОЕНЕДМЕООП, Б ОЕ ПЦЙДБФШ ЧУЕИ ДБООЩИ ДМС ПВТБВПФЛЙ. фБЛЦЕ РПУЛПМШЛХ ТБВПФБЕФ У ДБООЩНЙ РП НЕТЕ ЙИ РПУФХРМЕОЙС, ОЕ ФТЕВХЕФУС УПИТБОСФШ ЙИ Ч РБНСФЙ. ьФП ПЗТПНОПЕ РТЕЙНХЭЕУФЧП, ЛПЗДБ РПУФХРБАФ ВПМШЫЙЕ ДПЛХНЕОФЩ. жБЛФЙЮЕУЛЙ, РТЙМПЦЕОЙЕ ДБЦЕ ОЕ ДПМЦОП ТБЪВЙТБФШ ЧЕУШ ДПЛХНЕОФ; ПОП НПЦЕФ ПУФБОПЧЙФШУС, ЛПЗДБ ВХДХФ ХДПЧМЕФЧПТЕОЩ ОЕЛПФПТЩЕ ЛТЙФЕТЙЙ. ч ПВЭЕН УМХЮБЕ SAX ФБЛЦЕ ЪОБЮЙФЕМШОП ВЩУФТЕЕ, ЮЕН ЕЗП БМШФЕТОБФЙЧБ, DOM.

у ДТХЗПК УФПТПОЩ, РПУЛПМШЛХ РТЙМПЦЕОЙЕ ОЕ УПИТБОСЕФ ЛБЛЙН-МЙВП ПВТБЪПН ДБООЩЕ, ОЕЧПЪНПЦОП РТЙ РПНПЭЙ SAX ДЕМБФШ Ч ОЙИ ЙЪНЕОЕОЙС ЙМЙ ЧПЪЧТБЭБФШУС ОБЪБД РП РПФПЛХ ДБООЩИ.

DOM Й ПВТБВПФЛБ ОБ ВБЪЕ ДЕТЕЧБ

DOM СЧМСЕФУС ФТБДЙГЙПООЩН УРПУПВПН ПВТБВПФЛЙ XML-ДБООЩИ. рТЙ РТЙНЕОЕОЙЙ DOM ДБООЩЕ ЪБЗТХЦБАФУС Ч РБНСФШ Ч ДТЕЧПЧЙДОХА УФТХЛФХТХ.

оБРТЙНЕТ, ФПФ ЦЕ ДПЛХНЕОФ, ЛПФПТЩК ЙУРПМШЪПЧБМУС ЛБЛ РТЙНЕТ Ч лБЛ ТБВПФБЕФ ПВТБВПФЛБ Ч SAX, НПЦЕФ ВЩФШ РТЕДУФБЧМЕО Ч ЧЙДЕ ХЪМПЧ, РПЛБЪБООЩИ ОЙЦЕ:

ъБ Й РТПФЙЧ ПВТБВПФЛЙ ОБ ВБЪЕ ДЕТЕЧБ

DOM Й ЧППВЭЕ ПВТБВПФЛБ ОБ ВБЪЕ ДЕТЕЧБ ЙНЕЕФ ОЕУЛПМШЛП РТЕЙНХЭЕУФЧ. чП-РЕТЧЩИ, РПУЛПМШЛХ ДЕТЕЧП УПИТБОСЕФУС Ч РБНСФЙ, ПОП НПЦЕФ ВЩФШ НПДЙЖЙГЙТПЧБОП, ФБЛ ЮФП РТЙМПЦЕОЙЕ НПЦЕФ ДЕМБФШ ЙЪНЕОЕОЙС Ч ДБООЩИ Й Ч УФТХЛФХТЕ. пОП ФБЛЦЕ НПЦЕФ Ч УЛПМШЛП ХЗПДОП ДЧЙЗБФШУС ЧЧЕТИ Й ЧОЙЪ РП ДЕТЕЧХ, Ч ПФМЙЮЙЕ ПФ ПДОПЗП РТПИПДБ SAX. DOM ФБЛЦЕ НПЦЕФ ВЩФШ ЗПТБЪДП РТПЭЕ Ч РТЙНЕОЕОЙЙ.

у ДТХЗПК УФПТПОЩ, РПУФТПЕОЙЕ ФБЛЙИ ДЕТЕЧШЕЧ Ч РБНСФЙ ЧЛМАЮБЕФ Ч УЕВС НОПЗП ОБЛМБДОЩИ ТБУИПДПЧ. оЕ ФБЛ ХЦ ОЕПВЩЮОП, ЕУМЙ ВПМШЫЙЕ ЖБКМЩ РПМОПУФША РЕТЕЛТЩЧБАФ ЧПЪНПЦОПУФЙ УЙУФЕНЩ. лТПНЕ ФПЗП, УПЪДБОЙЕ ДЕТЕЧБ DOM НПЦЕФ ВЩФШ ПЮЕОШ НЕДМЕООЩН РТПГЕУУПН.

лБЛ ЧЩВТБФШ НЕЦДХ SAX Й DOM

чБЦОП РПНОЙФШ, ЮФП SAX Й DOM ОЕ СЧМСАФУС ЧЪБЙНПЙУЛМАЮБАЭЙНЙ. чЩ НПЦЕФЕ ЙУРПМШЪПЧБФШ DOM ДМС УПЪДБОЙС РПФПЛБ УПВЩФЙК SAX, Й ЧЩ НПЦЕФЕ ЙУРПМШЪПЧБФШ SAX ДМС УПЪДБОЙС ДЕТЕЧБ DOM. жБЛФЙЮЕУЛЙ, ВПМШЫЙОУФЧП РБТУЕТПЧ, РТЙНЕОСЕНЩИ ДМС УПЪДБОЙС ДЕТЕЧБ DOM, ЙУРПМШЪХАФ SAX, ЮФПВЩ УДЕМБФШ ЬФП!

тБЪДЕМ 3. уПЪДБОЙЕ РБТУЕТБ SAX

жБКМ РТЙНЕТБ

ьФПФ ХЮЕВОЙЛ ДЕНПОУФТЙТХЕФ ЛПОУФТХЙТПЧБОЙЕ РТЙМПЦЕОЙС, ЛПФПТПЕ ЙУРПМШЪХЕФ SAX ДМС ПВТБВПФЛЙ ПФЧЕФПЧ ЗТХРРЩ РПМШЪПЧБФЕМЕК, ЛПФПТЩИ РПРТПУЙМЙ ЪБРПМОЙФШ БОЛЕФХ П УМХЮЙЧЫЙНУС У ОЙНЙ РПИЙЭЕОЙЙ ЙИ рТЙЫЕМШГБНЙ.

чПФ ЖПТНБ ЬФПК БОЛЕФЩ:

пФЧЕФЩ ЪБРЙУБОЩ Ч XML-ЖБКМ:

уПЪДБОЙЕ ПВТБВПФЮЙЛБ УПВЩФЙК

рТБЧЙМШОЩК ТБЪВПТ РТЙ РПНПЭЙ SAX ФТЕВХЕФ УРЕГЙЖЙЮЕУЛЙИ ЧЩЪПЧПЧ НЕФПДПЧ ПВТБВПФЮЙЛБ, Й ЬФЙ ЧЩЪПЧЩ ОЕ НПЗХФ ВЩФШ УФБФЙЮЕУЛЙНЙ. ьФП ЪОБЮЙФ, ЮФП ЧЩ ДПМЦОЩ УРЕГЙБМШОП УПЪДБФШ ЬЛЪЕНРМСТ ПВЯЕЛФБ ПВТБВПФЮЙЛБ, ФБЛ ЮФП С УДЕМБА ЛТБФЛЙК ПВЪПТ ФПЗП, ЛБЛ ЬФП ДЕМБЕФУС.

лПЗДБ УПЪДБЕФУС ОПЧЩК ПВЯЕЛФ, ЙЭЕФУС ЛПОУФТХЛФПТ ЛМБУУБ ДМС ЕЗП ЧЩРПМОЕОЙС. оБРТЙНЕТ:

оЕРПУТЕДУФЧЕООПЕ ЪБДБОЙЕ ДТБКЧЕТБ SAX

чЩ НПЦЕФЕ ФБЛЦЕ ЙУРПМШЪПЧБФШ УЙУФЕНОЩЕ УЧПКУФЧБ, ЮФПВЩ УДЕМБФШ УЧПЕ РТЙМПЦЕОЙЕ ВПМЕЕ ЗЙВЛЙН. оБРТЙНЕТ, ЧЩ НПЦЕФЕ ЪБДБФШ ЙНС ЛМБУУБ ЛБЛ ЪОБЮЕОЙЕ УЧПКУФЧБ org.xml.sax.driver ЙЪ ЛПНБОДОПК УФТПЛЙ, ЛПЗДБ ЧЩ ЪБРХУЛБЕФЕ РТЙМПЦЕОЙЕ:

уПЪДБОЙЕ РБТУЕТБ

рТПЧЕТСАЭЙК РБТУЕТ РТПФЙЧ ОЕРТПЧЕТСАЭЕЗП

юФПВЩ ЮФП-МЙВП ДЕМБФШ У XML-ДПЛХНЕОФПН, ЧЩ ДПМЦОЩ РТПЮЙФБФШ ЙОЖПТНБГЙА Ч ОЕН. рТЙМПЦЕОЙЕ, ЛПФПТПЕ ЬФП ДЕМБЕФ, ОБЪЩЧБЕФУС РБТУЕТПН.

дПЛХНЕОФЩ, ЛПФПТЩЕ ДПМЦОЩ РТПЧЕТСФШУС РТПЧЕТСАЭЙН РБТУЕТПН, ОБЪЩЧБАФУС РТБЧЙМШОЩНЙ ДПЛХНЕОФБНЙ.

хУФБОПЧЛБ ПРГЙК РТПЧЕТЛЙ РТБЧЙМШОПУФЙ

хУФБОПЧЛБ ПВТБВПФЮЙЛБ УПДЕТЦЙНПЗП

ьФП, ЛПОЕЮОП, ОЕ ЕДЙОУФЧЕООЩК ЧБТЙБОФ ПВТБВПФЮЙЛБ УПДЕТЦЙНПЗП. рПЪЦЕ Ч ОБЫЕН ХЮЕВОЙЛЕ ЧЩ ХЧЙДЙФЕ ДТХЗЙЕ ЧБТЙБОФЩ, ЛПЗДБ Ч ХЮЕВОЙЛЕ ВХДЕФ ЙУУМЕДПЧБФШУС уЕТЙБМЙЪБГЙС РПФПЛБ SAX.

тБЪВПТ InputSource

чЩ НПЦЕФЕ ПФЛПНРЙМЙТПЧБФШ Й ЧЩРПМОЙФШ РТПЗТБННХ, ОП ОБ ЬФПН ЬФБРЕ ОЙЮЕЗП ОЕ ВХДЕФ РТПЙУИПДЙФШ, РПУЛПМШЛХ РТЙМПЦЕОЙЕ ЕЭЕ ОЕ ЙНЕЕФ ОЙЛБЛЙИ ПРТЕДЕМЕООЩИ УПВЩФЙК.

хУФБОПЧЛБ ErrorHandler

оБ ДБООЩК НПНЕОФ ОЙЮЕЗП ОЕ ДПМЦОП УМХЮЙФШУС, ОП, ЛПОЕЮОП, ЧУЕЗДБ ЕУФШ ЧЕТПСФОПУФШ ЧПЪОЙЛОПЧЕОЙС РТПВМЕН У ДБООЩНЙ, ЛПФПТЩЕ ЧЩ РЩФБЕФЕУШ ТБЪПВТБФШ. ч ФБЛПК УЙФХБГЙЙ ВХДЕФ РПМЕЪОЩН ЙНЕФШ ОБТСДХ У ПВТБВПФЮЙЛПН УПДЕТЦЙНПЗП Й ПВТБВПФЮЙЛ ПЫЙВПЛ.

хУФБОПЧЙФЕ ОПЧЩК ErrorHandler ФПЮОП ФБЛ ЦЕ, ЛБЛ ЧЩ ХУФБОПЧЙМЙ ContentHandler :

еУМЙ ЧЩ ЪБРХУФЙФЕ РТЙМПЦЕОЙЕ, ЧУЕ ЕЭЕ ОЙЮЕЗП ОЕ ВХДЕФ РТПЙУИПДЙФШ, РПУЛПМШЛХ ТЕБМЙЪБГЙЙ РП ХНПМЮБОЙА ДМС УПВЩФЙК ОЕ ДЕМБАФ ОЙЮЕЗП. ч УМЕДХАЭЕН ТБЪДЕМЕ НЩ ТБУУНПФТЙН ДПВБЧМЕОЙЕ ОПЧЩИ ТЕБМЙЪБГЙК ДМС ПВТБВПФЛЙ УПВЩФЙК, РТПЙУИПДСЭЙИ ЧП ЧТЕНС ТБЪВПТБ.

тБЪДЕМ 4. пВТБВПФЮЙЛЙ УПВЩФЙК Й УПВЩФЙС SAX

startDocument()

startElement()

фЕРЕТШ ОБЮОЕН ТБУУНПФТЕОЙЕ ДЕКУФЧЙФЕМШОП ДБООЩИ. дМС ЛБЦДПЗП ЬМЕНЕОФБ РТЙНЕТ ЧПЪЧТБЭБЕФ ЙНС, ЛПФПТПЕ РЕТЕДБЕФУС Ч УПВЩФЙЕ startElement() (УН. ЛПРЙА ЬЛТБОБ ДМС УРЙУЛБ ЬМЕНЕОФПЧ, РПЛБЪБООХА ОЙЦЕ.).

оБЮОЕН У РЕТЕЮЙУМЕОЙС ЙНЕО ЧУЕИ ЬМЕНЕОФПЧ:

startElement() : ЧЩВПТЛБ БФТЙВХФПЧ

чЩ НПЦЕФЕ ЧЩВТБФШ ЪОБЮЕОЙЕ БФТЙВХФБ РП ЕЗП РПЪЙГЙЙ Ч НБУУЙЧЕ ЙМЙ РП ЙНЕОЙ БФТЙВХФБ:

endElement()

нПЦЕФ ПЛБЪБФШУС РПМЕЪОЩН ЪБНЕЮБФШ ЛПОЕГ ЬМЕНЕОФБ. оБРТЙНЕТ, ЬФП НПЦЕФ ВЩФШ УЙЗОБМПН Л ПВТБВПФЛЕ УПДЕТЦЙНПЗП ЬМЕНЕОФБ. ъДЕУШ ЧЩ ВХДЕФЕ ЙУРПМШЪПЧБФШ ЕЗП ДМС ЛТБУЙЧПК РЕЮБФЙ ДПЛХНЕОФБ У ОЕЛПФПТЩНЙ ПФУФХРБНЙ, РПЛБЪЩЧБАЭЙНЙ ХТПЧЕОШ ЛБЦДПЗП ЬМЕНЕОФБ. йДЕС УПУФПЙФ Ч ХЧЕМЙЮЕОЙЙ ПФУФХРБ, ЛПЗДБ ОБЮЙОБЕФУС ОПЧЩК ЬМЕНЕОФ, Й Ч ХНЕОШЫЕОЙЙ ЕЗП, ЛПЗДБ ЬМЕНЕОФ ЪБЛБОЮЙЧБЕФУС:

characters()

ъБНЕФШФЕ, ЮФП ОЙЗДЕ Ч НЕФПДЕ ОЕФ ЙОЖПТНБГЙЙ П ФПН, ЮБУФША ЛБЛПЗП ЬМЕНЕОФБ СЧМСАФУС ЬФЙ УЙНЧПМЩ. еУМЙ ЧБН ОХЦОБ ФБЛБС ЙОЖПТНБГЙС, ЧЩ ДПМЦОЩ УПИТБОСФШ ЕЕ. ч ЬФПН РТЙНЕТЕ ДПВБЧМЕОЩ РЕТЕНЕООЩЕ ДМС УПИТБОЕОЙС ЙОЖПТНБГЙЙ П ФЕЛХЭЕН ЬМЕНЕОФЕ Й ЧПРТПУЕ. (фХФ ФБЛЦЕ ХДБМЕОП НОПЗП МЙЫОЕК ЙОЖПТНБГЙЙ, ЛПФПТБС ПФПВТБЦБМБУШ.)

ьФП ЧУЕЗДБ ХЮЙФЩЧБЕФУС РТПЧЕТСАЭЙН РБТУЕТПН.

хЮЕФ ПФЧЕФПЧ

фЕРЕТШ, ЛПЗДБ ЧЩ РПМХЮЙМЙ ДБООЩЕ, РПКДЕН ДБМШЫЕ Й РТПЙЪЧЕДЕН РПДУЮЕФ.

чПФ РТЙНЕТ ФПЗП, ЛБЛ УФТПЙФШ УФТПЛЙ ДМС БОБМЙЪБ, ЛПЗДБ ПРТПУ ЪБЛПОЮЕО.

ignorableWhitespace()

XML-ДПЛХНЕОФЩ, ЧЩТБВПФБООЩЕ МАДШНЙ (Ч ПФМЙЮЙЕ ПФ ЧЩТБВПФБООЩИ РТПЗТБННБНЙ) ЮБУФП УПДЕТЦБФ РТПРХУЛЙ, ДПВБЧМСЕНЩЕ ДМС ФПЗП, ЮФПВЩ УДЕМБФШ ДПЛХНЕОФ ВПМЕЕ МЕЗЛЙН ДМС ЮФЕОЙС. рПД РТПРХУЛБНЙ РПДТБЪХНЕЧБАФУС РЕТЕЧПДЩ УФТПЛ, УЙНЧПМЩ ФБВХМСГЙЙ Й РТПВЕМЩ. ч ВПМШЫЙОУФЧЕ УМХЮБЕЧ РТПРХУЛЙ СЧМСАФУС МЙЫОЙНЙ Й ДПМЦОЩ ЙЗОПТЙТПЧБФШУС РТЙ ПВТБВПФЛЕ ДБООЩИ.

юФПВЩ УППВЭЙФШ РТПГЕУУПТХ, ЮФП ОЕ ОХЦОП ЙЗОПТЙТПЧБФШ РТПРХУЛЙ, ХУФБОПЧЙФЕ ЕЗП ЪОБЮЕОЙЕ Ч preserve ФБЛ:

endDocument()

й, ЛПОЕЮОП, ЛПЗДБ ДПЛХНЕОФ РПМОПУФША ТБЪПВТБО, ЧЩ ЪБИПФЙФЕ ОБРЕЮБФБФШ ТЕЪХМШФБФ ПЛПОЮБФЕМШОПЗП РПДУЮЕФБ, ЛБЛ РПЛБЪБОП ОЙЦЕ.

ьФП ФБЛЦЕ ИПТПЫЕЕ НЕУФП ДМС ФПЗП, ЮФПВЩ ЪБЧЕТЫЙФШ ЧУЕ ОЕЪБЧЕТЫЕООЩЕ ЛПОГЩ, ЛПФПТЩЕ НПЗМЙ ОБЛПРЙФШУС ЪБ ЧТЕНС ПВТБВПФЛЙ.

processingInstruction()

чУЕ ЬФП ИПТПЫП, ОП ЙОПЗДБ ЧЩ НПЦЕФЕ ЪБИПФЕФШ ЧЛМАЮЙФШ ЙОЖПТНБГЙА ОЕРПУТЕДУФЧЕООП ДМС РТЙМПЦЕОЙС, ЛПФПТПЕ ПВТБВБФЩЧБЕФ ДБООЩЕ. пДОЙН ЙИ РТЙНЕТПЧ ЬФПЗП СЧМСЕФУС УМХЮБК, ЛПЗДБ ЧЩ ИПФЙФЕ ПВТБВБФЩЧБФШ ДПЛХНЕОФ РТЙ РПНПЭЙ ФБВМЙГЩ УФЙМЕК, ЛБЛ, ОБРТЙНЕТ:

дТХЗЙЕ РТЙМПЦЕОЙС НПЗХФ РПМХЮБФШ ЙОЖПТНБГЙА ФБЛЙН ЦЕ РХФЕН. оБРТЙНЕТ, ПРТПУ НПЦЕФ ЙНЕФШ УФБФЙУФЙЮЕУЛЙК РТЙНЕТ, ЛПФПТЩК, ЕУФЕУФЧЕООП, ОЕДПУФБФПЮОП ЧЕМЙЛ, ЮФПВЩ ТБУУНБФТЙЧБФШ ЕЗП УЕТШЕЪОП. чЩ НПЦЕФЕ ДПВБЧЙФШ ЙОУФТХЛГЙА ПВТБВПФЛЙ, ФПМШЛП ДМС ЧБЫЕЗП РТЙМПЦЕОЙС, ЛПФПТБС ЪБДБЕФ ЛПЬЖЖЙГЙЕОФ ДМС ХНОПЦЕОЙС ПФЧЕФПЧ:

уПВЩФЙС ErrorHandler

тБЪДЕМ 5. SAX Й РТПУФТБОУФЧБ ЙНЕО

рТПУФТБОУФЧБ ЙНЕО

пДОП ЙЪ ЗМБЧОЩИ ХУПЧЕТЫЕОУФЧПЧБОЙК, ДПВБЧМЕООЩИ Ч SAX ЧЕТУЙЙ 2.0 СЧЙМПУШ ДПВБЧМЕОЙЕ РПДДЕТЦЛЙ РТПУФТБОУФЧ ЙНЕО, ЛПФПТБС РПЪЧПМЙМБ ТБЪТБВПФЮЙЛБН ЙУРПМШЪПЧБФШ ЙОЖПТНБГЙА ЙЪ ТБЪОЩИ ЙУФПЮОЙЛПЧ ЙМЙ ДМС ТБЪОЩИ ГЕМЕК ВЕЪ ЛПОЖМЙЛФПЧ. ч РТПЙЪЧПДУФЧЕООПК УТЕДЕ ЮБУФП РТПЙУИПДЙФ ФБЛ, ЮФП ДБООЩЕ Ч РПФПЛЕ SAX РТЙИПДСФ ЙЪ НОПЗЙИ ТБЪОЩИ ЙУФПЮОЙЛПЧ.

рТПУФТБОУФЧБ ЙНЕО ЛПОГЕРФХБМШОП СЧМСАФУС ЪПОБНЙ, Ч ЛПФПТЩИ ЙНЕОБ ДПМЦОЩ ВЩФШ ХОЙЛБМШОЩНЙ.

у ДТХЗПК УФПТПОЩ, ЕУМЙ С ОБИПЦХУШ ЧОЕ ПЖЙУБ, Й ПОБ ДЕМБЕФ ФБЛПЕ ЦЕ ЪБСЧМЕОЙЕ, ЧПЪНПЦОП ОЕДПТБЪХНЕОЙЕ, РПУЛПМШЛХ УХЭЕУФЧХАФ ДЧЕ ЧПЪНПЦОПУФЙ.

фЕ ЦЕ РТПВМЕНЩ ЧПЪОЙЛБАФ, ЛПЗДБ XML-ДБООЩЕ ЙЪ ТБЪОЩИ ЙУФПЮОЙЛПЧ ЛПНВЙОЙТХАФУС (ЛБЛ Ч ЙОЖПТНБГЙЙ П ЛТЕДЙФПУРПУПВОПУФЙ Ч ЖБКМЕ-РТЙНЕТЕ, РПДТПВОП ТБУУНБФТЙЧБЕНПН Ч ЬФПН ХЮЕВОЙЛЕ РПЪЦЕ).

уПЪДБОЙЕ РТПУФТБОУФЧБ ЙНЕО

рПУЛПМШЛХ ЙДЕОФЙЖЙЛБФПТЩ ДМС РТПУФТБОУФЧ ЙНЕО ДПМЦОЩ ВЩФШ ХОЙЛБМШОЩНЙ, ПОЙ ПВПЪОБЮБАФУС РТЙ РПНПЭЙ хОЙЖЙГЙТПЧБООЩИ йДЕОФЙЖЙЛБФПТПЧ тЕУХТУПЧ, Uniform Resource Identifiers ЙМЙ URI. оБРТЙНЕТ, РТПУФТБОУФЧП ЙНЕО РП ХНПМЮБОЙА ДМС ДБООЩИ РТЙНЕТБ ВХДЕФ ПВПЪОБЮЕОП РТЙ РПНПЭЙ БФТЙВХФБ xmlns :

чЩ НПЦЕФЕ ФБЛЦЕ УПЪДБЧБФШ ЧФПТЙЮОЩЕ РТПУФТБОУФЧБ ЙНЕО Й ДПВБЧМСФШ Ч ОЙИ ЬМЕНЕОФЩ ЙМЙ БФТЙВХФЩ.

пРТЕДЕМЕОЙЕ РТПУФТБОУФЧ ЙНЕО

тБУУНПФТЙН ЛПД, РТЙЧЕДЕООЩК ОЙЦЕ:

рТПЧЕТЛБ РТПУФТБОУФЧ ЙНЕО

чЕТУЙС SAX 2.0 ДПВБЧМСЕФ ЖХОЛГЙПОБМШОПУФШ ТБУРПЪОБЧБОЙС ТБЪОЩИ РТПУФТБОУФЧ ЙНЕО, ЛБЛ ВЩМП ЧЛТБФГЕ ПФНЕЮЕОП Б startElement().

чЩ НПЦЕФЕ ЙУРПМШЪПЧБФШ ЬФЙ ОПЧЩЕ ЧПЪНПЦОПУФЙ ОЕУЛПМШЛЙНЙ УРПУПВБНЙ, ОП ОБЮОЕН У ФПЗП, ЮФП ХВЕДЙНУС, ЮФП ФПМШЛП ЙУИПДОЩЕ ПФЧЕФЩ РТЕДУФБЧМСАФУС Ч ТЕЪХМШФБФБИ. йОБЮЕ ПФЧЕФ вПВБ НПЦЕФ ВЩФШ ЪБУЮЙФБО ДЧБЦДЩ.

рПУЛПМШЛХ ПФЧЕФЩ ОЕ ВХДХФ ХЮЙФЩЧБФШУС, РПЛБ thisElement ОЕ » question «, ЧЩ ДПМЦОЩ РТПУФП ЧЩРПМОЙФШ РТПЧЕТЛХ РЕТЕД ХУФБОПЧЛПК РЕТЕНЕООПК.

ъБНЕФШФЕ, ЮФП РТЙМПЦЕОЙЕ ТБУУНБФТЙЧБЕФ URI РТПУФТБОУФЧБ ЙНЕО (ЙМЙ Ч ДБООПН УМХЮБЕ URL), Б ОЕ БМЙБУ.

рТПУФТБОУФЧБ ЙНЕО ОБ БФТЙВХФБИ

уФТБООПУФЙ РТПУФТБОУФЧ ЙНЕО

уРПУПВ, ЛПФПТЩН РБТУЕТ SAX ПВТБВБФЩЧБЕФ МПЛБМШОЩЕ ЙНЕОБ Й ЛЧБМЙЖЙГЙТПЧБООЩЕ ЙНЕОБ, НПЦЕФ ВЩФШ ОЕНОПЗП УФТБООЩН. оБРТЙНЕТ, РБТУЕТ Java РП ХНПМЮБОЙА ОЕ ВХДЕФ УППВЭБФШ П ЪОБЮЕОЙСИ МПЛБМШОЩИ ЙНЕО, ЕУМЙ УРЕГЙБМШОП ОЕ ЧЛМАЮЕОБ ПВТБВПФЛБ РТПУФТБОУФЧ ЙНЕО:

еУМЙ Х ЧБУ ЧПЪОЙЛБАФ ФТХДОПУФЙ У РПМХЮЕОЙЕН ЙОЖПТНБГЙЙ, РПРТПВХКФЕ ЧЛМАЮЙФШ ЬФП УЧПКУФЧП РБТУЕТБ.

тБЪДЕМ 6. тБВПФБ У РПФПЛПН SAX

уЕТЙБМЙЪБГЙС РПФПЛБ SAX

рТЙЧЕДЕООЩЕ ЧЩЫЕ РТЙНЕТЩ ТБУУНБФТЙЧБМЙ ПУОПЧЩ ТБВПФЩ У ДБООЩНЙ, ОП ЬФП ФПМШЛП РПЧЕТИОПУФОЩК ЧЪЗМСД ОБ ФП, УФП НПЦЕФ ДЕМБФШ SAX. дБООЩЕ НПЗХФ ВЩФШ ОБРТБЧМЕОЩ Ч ДТХЗПК РТПГЕУУПТ SAX, ОБ РТЕПВТБЪПЧБОЙЕ ЙМЙ (ЛПОЕЮОП ЦЕ) Ч ЖБКМ. ч ЬФПН ТБЪДЕМЕ С РПЛБЦХ ЧБН ОЕЛПФПТЩЕ ЙЪ ЬФЙИ ЧБТЙБОФПЧ.

чЩЧПД РПФПЛБ УПВЩФЙК SAX Ч ЖБКМ ОБЪЩЧБЕФУС ЕЗП УЕТЙБМЙЪБГЙЕК. чЩ НПЦЕФЕ ОБРЙУБФШ ЖБКМ УБНЙ, ОП ЗПТБЪДП МЕЗЮЕ РТПУФП ПВЯЕЛФ Serializer :

чЩ НПЦЕФЕ ЪБФЕН ХУФБОПЧЙФШ Serializer ЛБЛ ПВТБВПФЮЙЛ УПДЕТЦЙНПЗП ДМС РБТУЕТБ, ФБЛ ЮФП, ЛПЗДБ РБТУЕТ ТБЪВЙТБЕФ ЖБКМ, ЙНЕООП Serializer РТЙОЙНБЕФ УПВЩФЙС.

XMLFilters

рПУЛПМШЛХ SAX ЧЛМАЮБЕФ Ч УЕВС БОБМЙЪ ДБООЩИ (Б ОЕ ФПМШЛП УПИТБОЕОЙЕ ЙИ) РП НЕТЕ ЙИ РЕТЕДБЮЙ, ЧБН НПЦЕФ РПЛБЪБФШУС, ЮФП ОЕ УХЭЕУФЧХЕФ УРПУПВБ ЙЪНЕОЙФШ ДБООЩЕ РЕТЕД ЙИ БОБМЙЪПН.

уПЪДБОЙЕ ЖЙМШФТБ

фЕРЕТШ ЧЩ ИПФЙФЕ УПЪДБФШ ЖЙМШФТ, ЛПФПТЩК ХОЙЮФПЦБЕФ ЙУИПДОЩЕ ПФЧЕФЩ Й ЧНЕУФП ОЙИ ЙУРПМШЪХЕФ ЙУРТБЧМЕООЩЕ ПФЧЕФЩ. юФПВЩ УДЕМБФШ ЬФП, ЧБН ОХЦОП УФЕТЕФШ ПТЙЗЙОБМЩ, Б ЪБФЕН ЙЪНЕОЙФШ РТПУФТБОУФЧП ЙНЕО ОБ ЙУРТБЧМЕООЩЕ ПФЧЕФЩ, ФБЛ ЮФП SurveyReader УНПЦЕФ РПДИЧБФЙФШ ЙИ.

ьФЙ ЙЪНЕОЕООЩЕ ДБООЩЕ РЕТЕДБАФУС Ч startElement() ДМС РТЕДЛБ (ЙУИПДОПЗП XMLReader ), Й ЙНЙ ЪБОЙНБЕФУС ЕЗП ПВТБВПФЮЙЛ УПДЕТЦЙНПЗП.

чЩЪПЧ ЖЙМШФТБ

рПУЛПМШЛХ XMLReader ПРТЕДЕМЕО ЛБЛ РТЕДПЛ ЖЙМШФТБ, ПО ВХДЕФ РП-РТЕЦОЕНХ ПВТБВБФЩЧБФШ ЙОЖПТНБГЙА.

зМХВЙОБ ЧМПЦЕОЙС ДМС ФБЛПК ЧПЪНПЦОПУФЙ ОЕ ПЗТБОЙЮЕОБ. фЕПТЕФЙЮЕУЛЙ, ЧЩ НПЦЕФЕ УПЪДБЧБФШ УЛПМШ ХЗПДОП ДМЙООХА ГЕРПЮЛХ ЖЙМШФТПЧ, ЛБЦДЩК ЙЪ ЛПФПТЩИ ЧЩЪЩЧБЕФ УМЕДХАЭЙК.

йУРПМШЪПЧБОЙЕ XMLFilter ДМС РТЕПВТБЪПЧБОЙС ДБООЩИ

XMLFilters НПЦЕФ ФБЛЦЕ ЙУРПМШЪПЧБФШУС ДМС ВЩУФТПЗП Й МЕЗЛПЗП РТЕПВТБЪПЧБОЙС ДБООЩИ РТЙ РПНПЭЙ XSLT.

уБНП РТЕПВТБЪПЧБОЙЕ МЕЦЙФ ЧОЕ УЖЕТЩ ТБУУНПФТЕОЙС ОБЫЕЗП ХЮЕВОЙЛБ, ОП ЧПФ ЛТБФЛЙК ЧЪЗМСД ОБ ФП, ЛБЛ ЧЩ НПЦЕФЕ РТЙНЕОЙФШ ЕЗП:

ъБФЕН, ФБЛ ЦЕ, ЛБЛ ЧЩ ДЕМБМЙ, ЛПЗДБ ЧЩЧПДЙМЙ ОЕРПУТЕДУФЧЕООП Ч ЖБКМ, УПЪДБКФЕ Serializer ДМС ЧЩЧПДБ ТЕЪХМШФБФБ РТЕПВТБЪПЧБОЙС.

тБЪДЕМ 7. йФПЗЙ РП SAX

тЕЪАНЕ

Источник

Java. Простой SAX парсер

Во многих задачах возникает необходимость использования разного рода xml файлов в различных целях. Я не буду пытаться объять необъятное, а расскажу по своему опыту для чего мне все это понадобилось.

Java, пожалуй, мой самый любимый язык программирования. К тому же эта любовь укрепляется тем, что можно любую задачу и придумывать велосипеда не придется.
Так вот, понадобилось мне создать такую связку клиент-сервер, работающую с БД, которая бы позволяла клиенту удаленно вносить записи в БД сервера. Само собой должны быть проверки вводимых данных и т.д. и т.п., но речь не об этом.
В качестве принципа работы я, не долго думая, избрал передачу информации в виде xml файла. Вида следующего:

Чтобы проще было читать дальше, скажу лишь что это информация о врачах учреждений. Фамилия, имя, отчество, уникальных id, и так далее. Вобщем ряд данных. Далее этот файл благополучно попадал на серверную сторону, и тут начинался разбор файла.
Из двух вариантов разбора(SAX vs DOM) я выбрал SAX ввиду того, что он пошустрее работает, и он первым мне попался в руки 🙂
Итак. Как известно, для успешной работы с парсером нам необходимо переопределить нужные нам методы DefaultHandler’а. Для начала подключим необходимые пакеты.

import org.xml.sax.helpers.DefaultHandler;
import org.xml.sax.*;

Теперь можно начать писать наш парсер

public class SAXPars extends DefaultHandler <
.
>

@Override
public void startElement( String namespaceURI, String localName, String qName, Attributes atts) throws SAXException <
thisElement = qName;
>

@Override
public void endElement( String namespaceURI, String localName, String qName) throws SAXException <
thisElement = «» ;
>

import org.xml.sax.helpers.DefaultHandler;
import org.xml.sax.*;

public class SAXPars extends DefaultHandler<

Doctors doc = new Doctors();
String thisElement = «» ;

public Doctors getResult() <
return doc;
>

@Override
public void startElement( String namespaceURI, String localName, String qName, Attributes atts) throws SAXException <
thisElement = qName;
>

@Override
public void endElement( String namespaceURI, String localName, String qName) throws SAXException <
thisElement = «» ;
>

@Override
public void characters( char [] ch, int start, int length) throws SAXException <
if (thisElement.equals( «id» )) <
doc.setId( new Integer( new String (ch, start, length)));
>
if (thisElement.equals( «fam» )) <
doc.setFam( new String (ch, start, length));
>
if (thisElement.equals( «name» )) <
doc.setName( new String (ch, start, length));
>
if (thisElement.equals( «otc» )) <
doc.setOtc( new String (ch, start, length));
>
if (thisElement.equals( «dateb» )) <
doc.setDateb( new String (ch, start, length));
>
if (thisElement.equals( «datep» )) <
doc.setDatep( new String (ch, start, length));
>
if (thisElement.equals( «datev» )) <
doc.setDatev( new String (ch, start, length));
>
if (thisElement.equals( «datebegin» )) <
doc.setDatebegin( new String (ch, start, length));
>
if (thisElement.equals( «dateend» )) <
doc.setDateend( new String (ch, start, length));
>
if (thisElement.equals( «vdolid» )) <
doc.setVdolid( new Integer( new String (ch, start, length)));
>
if (thisElement.equals( «specid» )) <
doc.setSpecid( new Integer( new String (ch, start, length)));
>
if (thisElement.equals( «klavid» )) <
doc.setKlavid( new Integer( new String (ch, start, length)));
>
if (thisElement.equals( «stav» )) <
doc.setStav( new Float( new String (ch, start, length)));
>
if (thisElement.equals( «progid» )) <
doc.setProgid( new Integer( new String (ch, start, length)));
>
>

Надеюсь топик помог легко представить суть работы SAX парсера.
Не судите строго первую статью:) Надеюсь она была хоть кому-то полезна.

UPD: Чтобы запустить данный парсер, можно воспользоваться таким кодом:

SAXParserFactory factory = SAXParserFactory.newInstance();
SAXParser parser = factory.newSAXParser();
SAXPars saxp = new SAXPars();

parser.parse( new File ( «. » ), saxp);

Источник

Средства парсинга XML в PHP

В личной практике задача разбирать XML средствами PHP возникла еще в 2005. Однако, при попытке разобраться и написать несложный скрипт, загружающий XML-файл в массив, я наткнулся на довольно серьёзную проблему – не существует нормальных программных средств и бинарных библиотек PHP для работы с XML. По мере работы с XML средствами PHP и эволюции PHP применялись различные технологии разбора XML кода, о них далее и пойдет речь.

Сперва приведу сводную таблицу совместимости средств PHP и библиотек XML.

Самым совместимым оказался SAX (Simple API for XML), он поддерживается даже в библиотеке EXPAT имеющейся во всех версиях PHP 4 и выше. Однако его возможности и способы применения вызвали резко негативную реакцию – нет возможности модификации XML, крайне громоздкий и сложный код с большим количеством мест для потенциальных ошибок.

DOMXML ужасная вещь, т.к. существовала в виде дополнительных экспериментальных библиотек для PHP 4. В PHP 5 не включена, т.к. PHP 5 по умолчанию обладает более универсальным средством DOM (Стандарт W3C DOM level 3). DOM наиболее документирован (English PHP & W3C) и завершен, однако не включен в PHP 4, т.к. был разработан только к началу 2006. Если выбор станет DOM или PHP4, однозначно следует сказать DOM, т.к. на сегодняшний день PHP 5 имеется у любого уважающего себя хостинг провайдера. Тем более у разработчика, есть возможность писать PHP 4 совместимый код, т.к. PHP 4 обладает базовой DOM и она поддерживает некоторые основные функции новой DOM.

Существуют ещё дополнительные библиотеки XML-RPC, но они являются экспериментальными, что говорит само за себя – их тестирование и пробы возможны не ранее чем в 2009 году.

В Рунете небыло никакой более-менее полезной литературы на тот момент (осень 2007), все разработчики наповал использовали SAX (часто даже свои библиотеки базирующиеся на SAX) либо DOMXML. О DOM ещё мало кто слышал, а те, кто слышал, отказывались от использования в пользу более старого и менее стандартного, но более привычного DOMXML. Таким образом, имелся крайне низкий уровень реализации и переносимость существующих WEB решений использующих XML. Решение использовать новое, удобное, одобренное W3C средство DOM, было единственно правильным. DOM в PHP по его совместимости и взаимопониманию идентичен DOM’у в JS.

Проведем сравнительный анализ производительности SAX PHP 4 и DOM PHP 5. Будет произведен замер времени разбора следующего XML-файла.

$GLOBALS[‘sax’][‘links’] = array(); // В этом массиве будут храниться блоки ссылок, полученные из XML файла
$GLOBALS[‘sax’][‘current_linksblock’]=null;// Текущий блок ссылок. Используется в процессе импорта данных
$GLOBALS[‘sax’][‘page_r’] =0;
$GLOBALS[‘sax’][‘page_i’] =-1;
$GLOBALS[‘sax’][‘link_r’] =0;
$GLOBALS[‘sax’][‘link_i’] =-1;
$GLOBALS[‘sax’][‘index’] =null;// Текущий индекс в массиве ссылок.
// Используется в процессе импорта данных

Недостатки этого метода разбора XML очевидны: громоздкость, неудобочитаемость программного кода и необходимость использования глобальных переменных.

Приведем 2 метода разбора того же XML файла, базирующиеся на DOM PHP 5.
Метод 1
/* here we must specify the version of XML : i.e: 1.0 */
$xml = new DomDocument(‘1.0’);
$xml->load($link_file);

Метод использует физическую безадресную навигацию по дереву XML документа.

Метод 2
/* here we must specify the version of XML : i.e: 1.0 */
$xml = new DomDocument(‘1.0’);
$xml->load($link_file);

Метод использует ассоциативно-адресную навигацию по дереву XML документа.
В заключении замечу, что все три алгоритма в результате получают абсолютно идентичные массивы данных:

Тесты производительности алгоритмов производились с учетом следующих условий:
Платформа AMD Athlon(tm) 64 X2 Dual Core Processor 4200+, DDR 2 1024 MB.
Веб-сервер Windows NT 5.1 build 2600, Apache/1.3.33 (Win32) PHP/5.1.6.

График производительности позволяет сделать следующие заключения: SAX наиболее стабилен и его производительность не зависит ни от положения в теле программы, ни от нагрузки на сервер.
Рассмотрим среднеквадратичные показатели производительности для каждой группы тестов.

1-SAX Произв 1
2-DOM 1 Произв 2
3-DOM 2 Произв 3
Make — режим сборки, Run 10 times — режим нагрузки.

1)Make 2-3-1(порядок следования)
2)Run 10 times 2-3-1(порядок следования)
3)Make 3-2-1(порядок следования)
4)Run 10 times 3-2-1(порядок следования)
5)Make 1-2-3(порядок следования)
6)Run 10 times 1-2-3(порядок следования)
7)Make 1-3-2(порядок следования)
8)Run 10 times 1-3-2(порядок следования)

Очевидно, что наиболее важным на данном этапе анализа является выявление наиболее производительного метода разбора XML основанного на DOM, SAX не рассматриваем, т.к. его отставание и недостатки очевидны.
Напомню, метод 1 использует физическую безадресную навигацию по дереву XML документа, менее удобочитаем, чем метод 2, который использует ассоциативно-адресную навигацию по дереву XML документа.
Для нас наиболее важны режимы результаты производительности при режимах нагрузки, такими являются четные тесты:

Тесты 2 и 6, тесты в которых метод 1 идет первым, тесты 4 и 8, тесты в которых метод 2 идет первым.

Из графика следует, что при своем удобстве метод 2 достигает наивысших показателей производительности, только при многочисленном использовании XML в программе.

Метод 1, при меньшей лаконичности и пиковой производительности относительно метода 2, является более стабильным в использовании для разбора в единственном месте работы PHP скрипта.

Таким образом, переход на DOM PHP 5, в независимости от способа разбора XML документа, вполне оправдан, как по удобству кода, так и по производительности, тем более, с учетом того, что в настоящее время PHP 4 практически не используется.

Все тесты проводились кустарно, их основной задачей было показать различие а не количественные характеристики производительности того или иного парсера, очевидно, что при грамотной настройке кэширующих механизмов результаты могут отличаться.

Источник

sax parser html php

PHP SAX parser for HTML?

4 Answers 4