(59)使用流处理 XML

最后更新于:2022-04-01 06:30:27

#(59):使用流处理 XML 本章开始我们将了解到如何使用 Qt 处理 XML 格式的文档。 XML(eXtensible Markup Language)是一种通用的文本格式,被广泛运用于数据交换和数据存储(虽然近年来 JSON 盛行,大有取代 XML 的趋势,但是对于一些已有系统和架构,比如 WebService,由于历史原因,仍旧会继续使用 XML)。XML 由 World Wide Web Consortium(W3C)发布,作为 SHML(Standard Generalized Markup Language)的一种轻量级方言。XML 语法类似于 HTML,与后者的主要区别在于 XML 的标签不是固定的,而是可扩展的;其语法也比 HTML 更为严格。遵循 XML 规范的 HTML 则被称为 XHTML(不过这一点有待商榷,感兴趣的话可以详见[这里](http://www.devbean.net/2011/04/dive_into_html5_2_3/))。 我们说过,XML 类似一种元语言,基于 XML 可以定义出很多新语言,比如 SVG(Scalable Vector Graphics)和 MathML(Mathematical Markup Language)。SVG 是一种用于矢量绘图的描述性语言,Qt 专门提供了 QtSVG 对其进行解释;MathML 则是用于描述数学公式的语言,Qt Solutions 里面有一个 QtMmlWidget 模块专门对其进行解释。 另外一面,针对 XML 的通用处理,Qt4 提供了 QtXml 模块;针对 XML 文档的 Schema 验证以及 XPath、XQuery 和 XSLT,Qt4 和 Qt5 则提供了 QtXmlPatterns 模块。Qt 提供了三种读取 XML 文档的方法: * `QXmlStreamReader`:一种快速的基于流的方式访问良格式 XML 文档,特别适合于实现一次解析器(所谓“一次解析器”,可以理解成我们只需读取文档一次,然后像一个遍历器从头到尾一次性处理 XML 文档,期间不会有反复的情况,也就是不会读完第一个标签,然后读第二个,读完第二个又返回去读第一个,这是不允许的); * DOM(Document Object Model):将整个 XML 文档读入内存,构建成一个树结构,允许程序在树结构上向前向后移动导航,这是与另外两种方式最大的区别,也就是允许实现多次解析器(对应于前面所说的一次解析器)。DOM 方式带来的问题是需要一次性将整个 XML 文档读入内存,因此会占用很大内存; * SAX(Simple API for XML):提供大量虚函数,以事件的形式处理 XML 文档。这种解析办法主要是由于历史原因提出的,为了解决 DOM 的内存占用提出的(在现代计算机上,这个一般已经不是问题了)。 在 Qt4 中,这三种方式都位于 QtXml 模块中。Qt5 则将`QXmlStreamReader`/`QXmlStreamWrite`r 移动到 QtCore 中,QtXml 则标记为“不再维护”,这已经充分表明了 Qt 的官方意向。 至于生成 XML 文档,Qt 同样提供了三种方式: * `QXmlStreamWriter`,与`QXmlStreamReader`相对应; * DOM 方式,首先在内存中生成 DOM 树,然后将 DOM 树写入文件。不过,除非我们程序的数据结构中本来就维护着一个 DOM 树,否则,临时生成树再写入肯定比较麻烦; * 纯手工生成 XML 文档,显然,这是最复杂的一种方式。 使用`QXmlStreamReader`是 Qt 中最快最方便的读取 XML 的方法。因为`QXmlStreamReader`使用了递增式的解析器,适合于在整个 XML 文档中查找给定的标签、读入无法放入内存的大文件以及处理 XML 的自定义数据。 每次`QXmlStreamReader`的`readNext()`函数调用,解析器都会读取下一个元素,按照下表中展示的类型进行处理。我们通过表中所列的有关函数即可获得相应的数据值: | 类型 | 示例 | 有关函数 | | -- || -- || -- | | `StartDocument` | – | `documentVersion()`,`documentEncoding()`,`isStandaloneDocument()` | | `EndDocument` | – | | | `StartElement` | | `namespaceUri()`,`name()`,`attributes()`,`namespaceDeclarations()` | | `EndElement` | | `namespaceUri()`,`name()` | | `Characters` | AT&amp;T | `text()`,`isWhitespace()`,`isCDATA()` | | `Comment` | | `text()` | | `DTD` | | `text()`,`notationDeclarations()`,`entityDeclarations()`,`dtdName()`,`dtdPublicId()`,`dtdSystemId()` | | `EntityReference` | &trade; | `name()`,`text()` | | `ProcessingInstruction` | | `processingInstructionTarget()`,`processingInstructionData()` | | `Invalid` | >&<! | `error()`, `errorString()` | 考虑如下 XML 片段: ~~~ <doc> <quote>Einmal ist keinmal</quote> </doc> ~~~ 一次解析过后,我们通过`readNext()`的遍历可以获得如下信息: ~~~ StartDocument StartElement (name() == "doc") StartElement (name() == "quote") Characters (text() == "Einmal ist keinmal") EndElement (name() == "quote") EndElement (name() == "doc") EndDocument ~~~ 通过`readNext()`函数的循环调用,我们可以使用`isStartElement()`、`isCharacters()`这样的函数检查当前读取的类型,当然也可以直接使用`state()`函数。 下面我们看一个完整的例子。在这个例子中,我们读取一个 XML 文档,然后使用一个`QTreeWidget`显示出来。我们的 XML 文档如下: ~~~ <bookindex> <entry term="sidebearings"> <page>10</page> <page>34-35</page> <page>307-308</page> </entry> <entry term="subtraction"> <entry term="of pictures"> <page>115</page> <page>244</page> </entry> <entry term="of vectors"> <page>9</page> </entry> </entry> </bookindex> ~~~ 首先来看头文件: ~~~ class MainWindow : public QMainWindow { Q_OBJECT public: explicit MainWindow(QWidget *parent = 0); ~MainWindow(); bool readFile(const QString &fileName); private: void readBookindexElement(); void readEntryElement(QTreeWidgetItem *parent); void readPageElement(QTreeWidgetItem *parent); void skipUnknownElement(); QTreeWidget *treeWidget; QXmlStreamReader reader; }; ~~~ `MainWindow`显然就是我们的主窗口,其构造函数也没有什么好说的: ~~~ MainWindow::MainWindow(QWidget *parent) : QMainWindow(parent) { setWindowTitle(tr("XML Reader")); treeWidget = new QTreeWidget(this); QStringList headers; headers << "Items" << "Pages"; treeWidget->setHeaderLabels(headers); setCentralWidget(treeWidget); } MainWindow::~MainWindow() { } ~~~ 接下来看几个处理 XML 文档的函数,这正是我们关注的要点: ~~~ bool MainWindow::readFile(const QString &fileName) { QFile file(fileName); if (!file.open(QFile::ReadOnly | QFile::Text)) { QMessageBox::critical(this, tr("Error"), tr("Cannot read file %1").arg(fileName)); return false; } reader.setDevice(&file); while (!reader.atEnd()) { if (reader.isStartElement()) { if (reader.name() == "bookindex") { readBookindexElement(); } else { reader.raiseError(tr("Not a valid book file")); } } else { reader.readNext(); } } file.close(); if (reader.hasError()) { QMessageBox::critical(this, tr("Error"), tr("Failed to parse file %1").arg(fileName)); return false; } else if (file.error() != QFile::NoError) { QMessageBox::critical(this, tr("Error"), tr("Cannot read file %1").arg(fileName)); return false; } return true; } ~~~ `readFile()`函数用于打开给定文件。我们使用`QFile`打开文件,将其设置为`QXmlStreamReader`的设备。也就是说,此时`QXmlStreamReader`就可以从这个设备(`QFile`)中读取内容进行分析了。接下来便是一个 while 循环,只要没读到文件末尾,就要一直循环处理。首先判断是不是`StartElement`,如果是的话,再去处理 bookindex 标签。注意,因为我们的根标签就是 bookindex,如果读到的不是 bookindex,说明标签不对,就要发起一个错误(`raiseError()`)。如果不是`StartElement`(第一次进入循环的时候,由于没有事先调用`readNext()`,所以会进入这个分支),则调用`readNext()`。为什么这里要用 while 循环,XML 文档不是只有一个根标签吗?直接调用一次`readNext()`函数不就好了?这是因为,XML 文档在根标签之前还有别的内容,比如声明,比如 DTD,我们不能确定第一个`readNext()`之后就是根标签。正如我们提供的这个 XML 文档,首先是 声明,其次才是根标签。如果你说,第二个不就是根标签吗?但是 XML 文档还允许嵌入 DTD,还可以写注释,这就不确定数目了,所以为了通用起见,我们必须用 while 循环判断。处理完之后就可以关闭文件,如果有错误则显示错误。 接下来看`readBookindexElement()`函数: ~~~ void MainWindow::readBookindexElement() { Q_ASSERT(reader.isStartElement() && reader.name() == "bookindex"); reader.readNext(); while (!reader.atEnd()) { if (reader.isEndElement()) { reader.readNext(); break; } if (reader.isStartElement()) { if (reader.name() == "entry") { readEntryElement(treeWidget->invisibleRootItem()); } else { skipUnknownElement(); } } else { reader.readNext(); } } } ~~~ 注意第一行我们加了一个断言。意思是,如果在进入函数的时候,reader 不是`StartElement`状态,或者说标签不是 bookindex,就认为出错。然后继续调用`readNext()`,获取下面的数据。后面还是 while 循环。如果是`EndElement`,退出,如果又是`StartElement`,说明是 entry 标签(注意我们的 XML 结构,bookindex 的子元素就是 entry),那么开始处理 entry,否则跳过。 那么下面来看`readEntryElement()`函数: ~~~ void MainWindow::readEntryElement(QTreeWidgetItem *parent) { QTreeWidgetItem *item = new QTreeWidgetItem(parent); item->setText(0, reader.attributes().value("term").toString()); reader.readNext(); while (!reader.atEnd()) { if (reader.isEndElement()) { reader.readNext(); break; } if (reader.isStartElement()) { if (reader.name() == "entry") { readEntryElement(item); } else if (reader.name() == "page") { readPageElement(item); } else { skipUnknownElement(); } } else { reader.readNext(); } } } ~~~ 这个函数接受一个`QTreeWidgetItem`指针,作为根节点。这个节点被当做这个 entry 标签在`QTreeWidget`中的根节点。我们设置其名字是 entry 的 term 属性的值。然后继续读取下一个数据。同样使用 while 循环,如果是`EndElement`就继续读取;如果是`StartElement`,则按需调用`readEntryElement()`或者`readPageElement()`。由于 entry 标签是可以嵌套的,所以这里有一个递归调用。如果既不是 entry 也不是 page,则跳过位置标签。 然后是`readPageElement()`函数: ~~~ void MainWindow::readPageElement(QTreeWidgetItem *parent) { QString page = reader.readElementText(); if (reader.isEndElement()) { reader.readNext(); } QString allPages = parent->text(1); if (!allPages.isEmpty()) { allPages += ", "; } allPages += page; parent->setText(1, allPages); } ~~~ 由于 page 是叶子节点,没有子节点,所以不需要使用 while 循环读取。我们只是遍历了 entry 下所有的 page 标签,将其拼接成合适的字符串。 最后`skipUnknownElement()`函数: ~~~ void MainWindow::skipUnknownElement() { reader.readNext(); while (!reader.atEnd()) { if (reader.isEndElement()) { reader.readNext(); break; } if (reader.isStartElement()) { skipUnknownElement(); } else { reader.readNext(); } } } ~~~ 我们没办法确定到底要跳过多少位置标签,所以还是得用 while 循环读取,注意位置标签中所有子标签都是未知的,因此只要是`StartElement`,都直接跳过。 好了,这是我们的全部程序。只要在`main()`函数中调用一下即可: ~~~ MainWindow w; w.readFile("books.xml"); w.show(); ~~~ 然后就能看到运行结果: [![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-12-29_5682326f5dd72.png)](http://files.devbean.net/images/2013/07/xml-reader-demo.png) 值得一提的是,虽然我们的代码比较复杂,但是思路很清晰,一层一层地处理,这正是递归下降算法的有一个示例。我们曾在前面讲解[布尔表达式的树模型](http://www.devbean.net/2013/05/qt-study-road-2-bool-tree-model/)章节使用过这个思想。
';