用PHP读取和编写XML DOM

用 读取和编写可扩展标记语言（）看起来可能有点恐怖。实际上， 和它的所有相关技术可能是恐怖的，但是用 读取和编写 不一定是项恐怖的任务。首先，需要学习一点关于 的知识 —— 它是什么，用它做什么。然后，需要学习如何用 读取和编写 ，而有许多种方式可以做这件事。

　　本文提供了 的简短入门，然后解释如何用 读取和编写 。

　　什么是 ？

　　 是一种数据存储格式。它没有定义保存什么数据，也没有定义数据的格式。 只是定义了标记和这些标记的属性。格式良好的 标记看起来像这样：

＜name＞Jack Herrington＜/name＞

　　这个 ＜name＞ 标记包含一些文本：Jack Herrington。

　　不包含文本的 标记看起来像这样：

＜powerUp /＞

　　用 对某件事进行编写的方式不止一种。例如，这个标记形成的输出与前一个标记相同：

＜powerUp＞＜/powerUp＞

　　也可以向 标记添加属性。例如，这个 ＜name＞ 标记包含 first 和 last 属性：

＜name first="Jack" last="Herrington" /＞

　　也可以用 对特殊字符进行编码。例如，& 符号可以像这样编码：

　　&

　　包含标记和属性的 文件如果像示例一样格式化，就是格式良好的，这意味着标记是对称的，字符的编码正确。清单 1 且环莞袷搅己玫? 的示例。

　　清单 1. 图书列表示例

 
  ＜books＞ 
  ＜book＞ 
  ＜author＞Jack Herrington＜/author＞ 
  ＜title＞ Hacks＜/title＞ 
  ＜publisher＞O'Reilly＜/publisher＞ 
  ＜/book＞ 
  ＜book＞ 
  ＜author＞Jack Herrington＜/author＞ 
  ＜title＞Podcasting Hacks＜/title＞ 
  ＜publisher＞O'Reilly＜/publisher＞ 
  ＜/book＞ 
  ＜/books＞ 

　　清单 1 中的 包含一个图书列表。父标记 ＜books＞ 包含一组 ＜book＞ 标记，每个 ＜book＞ 标记又包含 ＜author＞、＜title＞ 和 ＜publisher＞ 标记。

　　当 文档的标记结构和内容得到外部模式文件的验证后， 文档就是正确的。模式文件可以用不同的格式指定。对于本文来说，所需要的只是格式良好的 。

　　如果觉得 看起来很像超文本标记语言（），那么就对了。 和 都是基于标记的语言，它们有许多相似之处。但是，要着重指出的是：虽然 文档可能是格式良好的 ，但不是所有的 文档都是格式良好的 。换行标记（br）是 和 之间区别的一个好例子。这个换行标记是格式良好的 ，但不是格式良好的 ：

＜p＞This is a paragraph＜br＞
With a line break＜/p＞

　　这个换行标记是格式良好的 和 ：

＜p＞This is a paragraph＜br /＞
With a line break＜/p＞

　　如果要把 编写成同样是格式良好的 ，请遵循 W3C 委员会的可扩展超文本标记语言（X）标准（参见 参考资料）。所有现代的浏览器都能呈现 X。而且，还可以用 工具读取 X 并找出文档中的数据，这比解析 容易得多。

　　使用 DOM 库读取

　　读取格式良好的 文件最容易的方式是使用编译成某些 安装的文档对象模型 （DOM）库。DOM 库把整个 文档读入内存，并用节点树表示它，如图 1 所示。

　　图 1. 图书 的 DOM 树


　　树顶部的 books 节点有两个 book 子标记。在每本书中，有 author、publisher 和 title 几个节点。author、publisher 和 title 节点分别有包含文本的文本子节点。

　　读取图书 文件并用 DOM 显示内容的代码如清单 2 所示。

　　清单 2. 用 DOM 读取图书

 
  ＜? 
  $doc = new DOMDocument(); 
  $doc-＞load( 'books.' ); 
   
  $books = $doc-＞getElementsByTagName( "book" ); 
  foreach( $books as $book ) 
  { 
  $authors = $book-＞getElementsByTagName( "author" ); 
  $author = $authors-＞item(0)-＞nodeValue; 
   
  $publishers = $book-＞getElementsByTagName( "publisher" ); 
  $publisher = $publishers-＞item(0)-＞nodeValue; 
   
  $titles = $book-＞getElementsByTagName( "title" ); 
  $title = $titles-＞item(0)-＞nodeValue; 
   
  echo "$title - $author - $publisher\n"; 
  } 
  ?＞ 
  

　　脚本首先创建一个 new DOMdocument 对象，用 load 方法把图书 装入这个对象。之后，脚本用 getElementsByName 方法得到指定名称下的所有元素的列表。

　　在 book 节点的循环中，脚本用 getElementsByName 方法获得 author、publisher 和 title 标记的 nodeValue。nodeValue 是节点中的文本。脚本然后显示这些值。

　　可以在命令行上像这样运行 脚本：

% e1.
Hacks - Jack Herrington - O'Reilly
Podcasting Hacks - Jack Herrington - O'Reilly
%

　　可以看到，每个图书块输出一行。这是一个良好的开始。但是，如果不能访问 DOM 库该怎么办？

 

[1] [2] [3] 下一页  

 

用 SAX 解析器读取

　　读取 的另一种方法是使用 Simple API（SAX）解析器。 的大多数安装都包含 SAX 解析器。SAX 解析器运行在回调模型上。每次打开或关闭一个标记时，或者每次解析器看到文本时，就用节点或文本的信息回调用户定义的函数。

　　SAX 解析器的优点是，它是真正轻量级的。解析器不会在内存中长期保持内容，所以可以用于非常巨大的文件。缺点是编写 SAX 解析器回调是件非常麻烦的事。清单 3 显示了使用 SAX 读取图书 文件并显示内容的代码。

　　清单 3. 用 SAX 解析器读取图书

 
  ＜? 
  $g_books = array(); 
  $g_elem = null; 
   
  function startElement( $parser, $name, $attrs )  
  { 
  global $g_books, $g_elem; 
  if ( $name == 'BOOK' ) $g_books []= array(); 
  $g_elem = $name; 
  } 
   
  function endElement( $parser, $name )  
  { 
  global $g_elem; 
  $g_elem = null; 
  } 
   
  function textData( $parser, $text ) 
  { 
  global $g_books, $g_elem; 
  if ( $g_elem == 'AUTHOR' || 
  $g_elem == 'PUBLISHER' || 
  $g_elem == 'TITLE' ) 
  { 
  $g_books[ count( $g_books ) - 1 ][ $g_elem ] = $text; 
  } 
  } 
   
  $parser = _parser_create(); 
   
  _set_element_handler( $parser, "startElement", "endElement" ); 
  _set_character_data_handler( $parser, "textData" ); 
   
  $f = fopen( 'books.', 'r' ); 
   
  while( $data = fread( $f, 4096 ) ) 
  { 
  _parse( $parser, $data ); 
  } 
   
  _parser_free( $parser ); 
   
  foreach( $g_books as $book ) 
  { 
  echo $book['TITLE']." - ".$book['AUTHOR']." - "; 
  echo $book['PUBLISHER']."\n"; 
  } 
  ?＞ 
  

　　脚本首先设置 g_books 数组，它在内存中容纳所有图书和图书信息，g_elem 变量保存脚本目前正在处理的标记的名称。然后脚本定义回调函数。在这个示例中，回调函数是 startElement、endElement 和 textData。在打开和关闭标记的时候，分别调用 startElement 和 endElement 函数。在开始和结束标记之间的文本上面，调用 textData。

　　在这个示例中，startElement 标记查找 book 标记，在 book 数组中开始一个新元素。然后，textData 函数查看当前元素，看它是不是 publisher、title 或 author 标记。如果是，函数就把当前文本放入当前图书。

　　为了让解析继续，脚本用 _parser_create 函数创建解析器。然后，设置回调句柄。之后，脚本读取文件并把文件的大块内容发送到解析器。在文件读取之后，_parser_free 函数删除解析器。脚本的末尾输出 g_books 数组的内容。

　　可以看到，这比编写 DOM 的同样功能要困难得多。如果没有 DOM 库也没有 SAX 库该怎么办？还有替代方案么？

　　用正则表达式解析

　　可以肯定，即使提到这个方法，有些工程师也会批评我，但是确实可以用正则表达式解析 。清单 4 显示了使用 preg_ 函数读取图书文件的示例。

　　清单 4. 用正则表达式读取

 
  ＜? 
  $ = ""; 
  $f = fopen( 'books.', 'r' ); 
  while( $data = fread( $f, 4096 ) ) { $ .= $data; } 
  fclose( $f ); 
   
  preg_match_all( "/\＜book\＞(.*?)\＜\/book\＞/s",  
  $, $bookblocks ); 
   
  foreach( $bookblocks[1] as $block ) 
  { 
  preg_match_all( "/\＜author\＞(.*?)\＜\/author\＞/",  
  $block, $author ); 
  preg_match_all( "/\＜title\＞(.*?)\＜\/title\＞/",  
  $block, $title ); 
  preg_match_all( "/\＜publisher\＞(.*?)\＜\/publisher\＞/",  
  $block, $publisher ); 
  echo( $title[1][0]." - ".$author[1][0]." - ". 
  $publisher[1][0]."\n" ); 
  } 
  ?＞ 

　　请注意这个代码有多短。开始时，它把文件读进一个大的字符串。然后用一个 regex 函数读取每个图书项目。最后用 foreach 循环，在每个图书块间循环，并提取出 author、title 和 publisher。

　　那么，缺陷在哪呢？使用正则表达式代码读取 的问题是，它并没先进行检查，确保 的格式良好。这意味着在读取之前，无法知道 是否格式良好。而且，有些格式正确的 可能与正则表达式不匹配，所以日后必须修改它们。

　　我从不建议使用正则表达式读取 ，但是有时它是兼容性最好的方式，因为正则表达式函数总是可用的。不要用正则表达式读取直接来自用户的 ，因为无法控制这类 的格式或结构。应当一直用 DOM 库或 SAX 解析器读取来自用户的 。

 

上一页  [1] [2] [3] 下一页  

 

用 DOM 编写

　　读取 只是公式的一部分。该怎样编写 呢？编写 最好的方式就是用 DOM。清单 5 显示了 DOM 构建图书 文件的方式。

　　　清单 5. 用 DOM 编写图书

 
  ＜? 
  $books = array(); 
  $books [] = array( 
  'title' =＞ ' Hacks', 
  'author' =＞ 'Jack Herrington', 
  'publisher' =＞ "O'Reilly" 
  ); 
  $books [] = array( 
  'title' =＞ 'Podcasting Hacks', 
  'author' =＞ 'Jack Herrington', 
  'publisher' =＞ "O'Reilly" 
  ); 
   
  $doc = new DOMDocument(); 
  $doc-＞formatOutput = true; 
   
  $r = $doc-＞createElement( "books" ); 
  $doc-＞appendChild( $r ); 
   
  foreach( $books as $book ) 
  { 
  $b = $doc-＞createElement( "book" ); 
   
  $author = $doc-＞createElement( "author" ); 
  $author-＞appendChild( 
  $doc-＞createTextNode( $book['author'] ) 
  ); 
  $b-＞appendChild( $author ); 
   
  $title = $doc-＞createElement( "title" ); 
  $title-＞appendChild( 
  $doc-＞createTextNode( $book['title'] ) 
  ); 
  $b-＞appendChild( $title ); 
   
  $publisher = $doc-＞createElement( "publisher" ); 
  $publisher-＞appendChild( 
  $doc-＞createTextNode( $book['publisher'] ) 
  ); 
  $b-＞appendChild( $publisher ); 
   
  $r-＞appendChild( $b ); 
  } 
   
  echo $doc-＞save(); 
  ?＞ 

　　在脚本的顶部，用一些示例图书装入了 books 数组。这个数据可以来自用户也可以来自。

　　示例图书装入之后，脚本创建一个 new DOMDocument，并把根节点 books 添加到它。然后脚本为每本书的 author、title 和 publisher 创建节点，并为每个节点添加文本节点。每个 book 节点的最后一步是重新把它添加到根节点 books。

　　脚本的末尾用 save 方法把 输出到控制台。（也可以用 save 方法创建一个 文件。）脚本的输出如清单 6 所示。

清单 6. DOM 构建脚本的输出

 
  %  e4.  
  ＜? version="1.0"?＞ 
  ＜books＞ 
  ＜book＞ 
  ＜author＞Jack Herrington＜/author＞ 
  ＜title＞ Hacks＜/title＞ 
  ＜publisher＞O'Reilly＜/publisher＞ 
  ＜/book＞ 
  ＜book＞ 
  ＜author＞Jack Herrington＜/author＞ 
  ＜title＞Podcasting Hacks＜/title＞ 
  ＜publisher＞O'Reilly＜/publisher＞ 
  ＜/book＞ 
  ＜/books＞ 
  % 

　　使用 DOM 的真正价值在于它创建的 总是格式正确的。但是如果不能用 DOM 创建 时该怎么办？

　　用 编写

　　如果 DOM 不可用，可以用 的文本模板编写 。清单 7 显示了 如何构建图书 文件。

清单 7. 用 编写图书

 
  ＜? 
  $books = array(); 
  $books [] = array( 
  'title' =＞ ' Hacks', 
  'author' =＞ 'Jack Herrington', 
  'publisher' =＞ "O'Reilly" 
  ); 
  $books [] = array( 
  'title' =＞ 'Podcasting Hacks', 
  'author' =＞ 'Jack Herrington', 
  'publisher' =＞ "O'Reilly" 
  ); 
  ?＞ 
  ＜books＞ 
  ＜? 
   
  foreach( $books as $book ) 
  { 
  ?＞ 
  ＜book＞ 
  ＜title＞＜? echo( $book['title'] ); ?＞＜/title＞ 
  ＜author＞＜? echo( $book['author'] ); ?＞ 
  ＜/author＞ 
  ＜publisher＞＜? echo( $book['publisher'] ); ?＞ 
  ＜/publisher＞ 
  ＜/book＞ 
  ＜? 
  } 
  ?＞ 
  ＜/books＞ 

　　脚本的顶部与 DOM 脚本类似。脚本的底部打开 books 标记，然后在每个图书中迭代，创建 book 标记和所有的内部 title、author 和 publisher 标记。

　　这种方法的问题是对实体进行编码。为了确保实体编码正确，必须在每个项目上调用 entities 函数，如清单 8 所示。

清单 8. 使用 entities 函数对实体编码

  
  ＜books＞ 
  ＜? 
   
  foreach( $books as $book ) 
  { 
  $title = entities( $book['title'], ENT_QUOTES ); 
  $author = entities( $book['author'], ENT_QUOTES ); 
  $publisher = entities( $book['publisher'], ENT_QUOTES ); 
  ?＞ 
  ＜book＞ 
  ＜title＞＜? echo( $title ); ?＞＜/title＞ 
  ＜author＞＜? echo( $author ); ?＞ ＜/author＞ 
  ＜publisher＞＜? echo( $publisher ); ?＞ 
  ＜/publisher＞ 
  ＜/book＞ 
  ＜? 
  } 
  ?＞ 
  ＜/books＞ 

　　这就是用基本的 编写 的烦人之处。您以为自己创建了完美的 ，但是在试图使用数据的时候，马上就会发现某些元素的编码不正确。

　　结束语

　　 周围总有许多夸大之处和混淆之处。但是，并不像您想像的那么难 —— 特别是在 这样优秀的语言中。在理解并正确地实现了 之后，就会发现有许多强大的工具可以使用。XPath 和 XSLT 就是这样两个值得研究的工具。