如何构建自己的XML解析器
最近，我需要编写一个脚本来解析XML文件并提取各种信息。我确定Perl有很多出色的/卓越的/优异的/杰出的的XML模块，但是我不想经历麻烦，因为它必须找到并安装它（以及它的依赖树）。此外，我确定自己正在处理格式良好的XML，而我所做的只是提取字段，因此不需要进行错误检查，XSLT，XInput和所有其他花哨的东西。我只是将自己的XML解析器滚动了大约100行。这不是幻想。它做出了各种假设，会导致它在转转环境中出现乱码，但是我想我会展示它是如何构建的。
外环
“<”和“>”是保留字符，只能出现在标签的开头和结尾。如果您习惯于使用lex风格的解析器，那么您会想到“啊，所以我应该阅读直到看到“<”或“>”。但是在Perl中，您可以阅读输入，直到看到“>”为止。”，那么您至少知道有一个标签。因此，解析器的轮廓为：
$/=“>”;
而（<>）
{
…
}
注意使用$/设置输入记录分隔符。这意味着如果我们的输入文件是
<？xmlversion=“1.0”吗？>
<地址>
<friend/>
<name>John<nickname>Spike</nickname>Smith</name>
<streetAddress>枫树大道123号。</streetAddress>
</地址>
那么$_的连续值将是
“<？xmlversion=”1.0“？>”
“<地址>”
“<friend/>”
“<名称>”
“约翰<昵称>”
“穗</nickname>”
“***</name>”
“<streetAddress>”
“123MapleAve。</streetAddress>”
“</address>”
换句话说，$_始终以完整的XML标记结尾，该标记可能以其他文本开头。因此，首要任务是将标记与它前面的文本分开：
我的$text;
我的$tag;
m{^（。*）<（。*？）>$}s；
$text=$1；
$tag=$2;
（对于那些不记得的人，m{pattern}等效于/pattern/。）使用“s”修饰符可以使点匹配任何内容，包括换行符。
数据表示
既然我们已经有了一些内容，那么考虑如何表示XML文件中的数据将是一个好主意。XML是一组嵌套的元素，每个元素都有一个名称，可选属性和内容（介于<foo>和</foo>之间的东西）。内容可以是文本数据或其他元素。我选择了一个相当简单的数据结构来保存元素的数据，形式为“（（名称，属性，内容……）”。因此，以上示例中的streetAddress元素将变为：
（“streetAddress”，“”，“123MapleAve.”）
该名称元素包含三个项目：字符串“约翰”和“***”，和<昵称>元素。它可以表示为：
（“名称”，
“”，
“百度”，
[“昵称”，
“”，
“长钉”，
]，
“树叶”，
）
最终，我们希望将整个文件存储在像这样的树形列表中。
语境
当我们看到像<foo>这样的打开标记时，我们将开始对其进行解析。我们读取的所有内容都会放入该<foo>元素内，直到看到结束标记为止，这时我们已经完成了<foo>标记，并应返回到我们之前处理过的任何元素（包含<foo>元素）。自然地，这暗示了上下文堆栈。
在我的代码中，我做了一些不好的事情。我使用了两个具有相同名称的变量。@context是上下文堆栈（堆栈自然使用数组表示），而$context是引用数组的引用，它引用了我们当前正在查看的任何元素。
在任何给定时刻，$上下文是在到数组的引用（名称，属性，内容...）上述格式和@context是这样的引用到阵列堆叠，描述在其内部的当前元素为元素嵌入式。
也就是说，在某个时候，$context将是
[“昵称”，“”]
那时，@context将是
（
[“地址”，””]，
[“name”，“”，“John”]
）
在主循环的这一节中，我们将标记与之前的文本分开了。现在我们看到应该将文本部分附加到$context指向的数组后面（现在不用担心$context的设置方式；我们稍后会担心）：
我们的@tree=（“xml”，“”）;＃解析的XML树
我们的$context=\@tree;＃上下文堆栈
我们的@context=（）;＃当前上下文
$/=“>”;
而（<>）
{
最后，如果$_eq“”;＃文件结尾
＃XML元素前面可能有文本。
我的$text;
我的$tag;
m{^（。*）<（。*？）>$}s；
$text=$1；
$tag=$2;
如果（$textne“”）
{
推送@{$context}，$text;
}
…
}
解析标签
现在我们只需要处理$tag中的文本。我们需要关注三种类型：
<foo>：一个开始标记
</foo>：结束标记
<foo/>：单例标签
开头标签和单例标签还可以在标签名称之后具有属性：
<名称添加=“2007-07-19”>
<addressformat=“us-postal”category=“personal”>
在我的脚本中，我不必担心属性，因此我选择只将它们存储为未解析的原始字符串。如果它们对您很重要，我建议将它们表示为将每个属性的名称映射为其值的散列。
我们可以使用正则表达式（还有什么？）来解析标签。这很复杂，使用“x”标志是个好主意，它允许我们在正则表达式中嵌入空格（包括换行符）和注释：
如果（$tag=〜m{
^（/？）＃结束标签
（\S+）＃标记名称
＃可选属性
（
＃<space><attr-name>=“<attr-value>”
（？：\s+
[\w：]+＃属性名称
=
\“[^\”]*\“＃属性值
）*
）
\s*
（/？）＃可选的单斜杠斜杠
$
}xs）
{
＃这是常规的<foo>，</foo>或<foo/>标记。
我的$closing=（$1ne“”）;＃这是结束标签吗？
我的$name=$2;＃标签名
我的$attrs=$3;＃属性分配
我的$singleton=（$4ne“”）;＃这是一个单例标签吗？
…
}
现在，$name是标签的名称，$attrs是（未解析的）属性字符串，$closing和$singleton是布尔型标志，分别告诉我们这是关闭标签还是单例标签。
关闭标签最容易处理。我们已经完成了元素的解析，解析后的数据位于$context中，因此我们要做的就是将其附加到其父元素并弹出@context堆栈以返回到该元素：
如果（$结束）
{
＃当前上下文的结尾
＃将$context附加到@context中的最后一项
推送@{$context[$＃context]}，$context;
＃从堆栈中还原先前的上下文
$context=pop@context;
下一个;
}
这给我们留下了开始标签和单例标签。像<foo/>这样的单例元素等效于<foo></foo>。也就是说，单身人士没有孩子。但是，无论哪种情况，我们都需要启动一个新的上下文：
＃将旧的上下文保存到上下文堆栈中
推送@context，$context;
＃开始一个新的上下文
$context=[$name，$attrs];
当然，如果我们正在查看一个单例标记，那么我们已经知道它没有内容，应该立即关闭。并且由于我们已经完成了关闭标签的工作，因此我们已经知道如何关闭标签：
如果（$singleton）
{
推送@{$context[$＃context]}，$context;
$context=pop@context;
}
最后，我们可以解决三种标签类型中最困难的一种：打开标签。
对于这些，我们需要将旧的上下文保存到堆栈中并启动一个新的上下文（我们已经完成），然后……实际上，这是我们在此阶段需要做的所有事情。我们无法添加元素的内容，因为我们尚未从输入文件中读取它们。
还记得在顶部，当我们将标签与标签之前的文本分开，并将其附加到@{$context}之后吗？现在，我们了解$context的设置方式：看到开始标记时，我们创建了一个新的匿名数组，以便循环的后续迭代中可以放置其文本。
就是这样！您可以阅读完整的脚本，其中包括用于打印已解析树的＆dumptree函数和用于查找元素的＆lookup函数。
得到教训
输入记录不必以换行符结尾。如果有更方便的记录终止符或分隔符，请使用$/以使您的生活更轻松的方式读取输入。
Perl的正则表达式功能强大。不必象lex那样费力地尝试先读取“<”，然后读取标记名称，然后再读取属性，然后再读取“>”。只需阅读整个内容，然后在正则表达式内用括号括起来的表达式提取有趣的内容即可。
如果您要解决一个难题，请尝试将其分解为不那么困难的问题，然后将其分解为更简单的子问题。首先要照顾容易的部分。这使您可以进行简化的假设（如果我们知道我们不在看一个结束标记，那么我们就需要保存旧的上下文并开始一个新的上下文）。一旦处理了足够多的简单操作，您可能会发现难题已经简化为一点，您根本不需要做任何事情。
最近，我需要编写一个脚本来解析XML文件并提取各种信息。我确定Perl有很多出色的/卓越的/优异的/杰出的的XML模块，但是我不想经历麻烦，因为它必须找到并安装它（以及它的依赖树）。此外，我确定自己正在处理格式良好的XML，而我所做的只是提取字段，因此不需要进行错误检查，XSLT，XInput和所有其他花哨的东西。我只是将自己的XML解析器滚动了大约100行。这不是幻想。它做出了各种假设，会导致它在转转环境中出现乱码，但是我想我会展示它是如何构建的。
外环
“<”和“>”是保留字符，只能出现在标签的开头和结尾。如果您习惯于使用lex风格的解析器，那么您会想到“啊，所以我应该阅读直到看到“<”或“>”。但是在Perl中，您可以阅读输入，直到看到“>”为止。”，那么您至少知道有一个标签。因此，解析器的轮廓为：
$/=“>”;
而（<>）
{
…
}
注意使用$/设置输入记录分隔符。这意味着如果我们的输入文件是
<？xmlversion=“1.0”吗？>
<地址>
<friend/>
<name>John<nickname>Spike</nickname>Smith</name>
<streetAddress>枫树大道123号。</streetAddress>
</地址>
那么$_的连续值将是
“<？xmlversion=”1.0“？>”
“<地址>”
“<friend/>”
“<名称>”
“约翰<昵称>”
“穗</nickname>”
“***</name>”
“<streetAddress>”
“123MapleAve。</streetAddress>”
“</address>”
换句话说，$_始终以完整的XML标记结尾，该标记可能以其他文本开头。因此，首要任务是将标记与它前面的文本分开：
我的$text;
我的$tag;
m{^（。*）<（。*？）>$}s；
$text=$1；
$tag=$2;
（对于那些不记得的人，m{pattern}等效于/pattern/。）使用“s”修饰符可以使点匹配任何内容，包括换行符。
数据表示
既然我们已经有了一些内容，那么考虑如何表示XML文件中的数据将是一个好主意。XML是一组嵌套的元素，每个元素都有一个名称，可选属性和内容（介于<foo>和</foo>之间的东西）。内容可以是文本数据或其他元素。我选择了一个相当简单的数据结构来保存元素的数据，形式为“（（名称，属性，内容……）”。因此，以上示例中的streetAddress元素将变为：
（“streetAddress”，“”，“123MapleAve.”）
该名称元素包含三个项目：字符串“约翰”和“***”，和<昵称>元素。它可以表示为：
（“名称”，
“”，
“百度”，
[“昵称”，
“”，
“长钉”，
]，
“树叶”，
）
最终，我们希望将整个文件存储在像这样的树形列表中。
语境
当我们看到像<foo>这样的打开标记时，我们将开始对其进行解析。我们读取的所有内容都会放入该<foo>元素内，直到看到结束标记为止，这时我们已经完成了<foo>标记，并应返回到我们之前处理过的任何元素（包含<foo>元素）。自然地，这暗示了上下文堆栈。
在我的代码中，我做了一些不好的事情。我使用了两个具有相同名称的变量。@context是上下文堆栈（堆栈自然使用数组表示），而$context是引用数组的引用，它引用了我们当前正在查看的任何元素。
在任何给定时刻，$上下文是在到数组的引用（名称，属性，内容...）上述格式和@context是这样的引用到阵列堆叠，描述在其内部的当前元素为元素嵌入式。
也就是说，在某个时候，$context将是
[“昵称”，“”]
那时，@context将是
（
[“地址”，””]，
[“name”，“”，“John”]
）
在主循环的这一节中，我们将标记与之前的文本分开了。现在我们看到应该将文本部分附加到$context指向的数组后面（现在不用担心$context的设置方式；我们稍后会担心）：
我们的@tree=（“xml”，“”）;＃解析的XML树
我们的$context=\@tree;＃上下文堆栈
我们的@context=（）;＃当前上下文
$/=“>”;
而（<>）
{
最后，如果$_eq“”;＃文件结尾
＃XML元素前面可能有文本。
我的$text;
我的$tag;
m{^（。*）<（。*？）>$}s；
$text=$1；
$tag=$2;
如果（$textne“”）
{
推送@{$context}，$text;
}
…
}
解析标签
现在我们只需要处理$tag中的文本。我们需要关注三种类型：
<foo>：一个开始标记
</foo>：结束标记
<foo/>：单例标签
开头标签和单例标签还可以在标签名称之后具有属性：
<名称添加=“2007-07-19”>
<addressformat=“us-postal”category=“personal”>
在我的脚本中，我不必担心属性，因此我选择只将它们存储为未解析的原始字符串。如果它们对您很重要，我建议将它们表示为将每个属性的名称映射为其值的散列。
我们可以使用正则表达式（还有什么？）来解析标签。这很复杂，使用“x”标志是个好主意，它允许我们在正则表达式中嵌入空格（包括换行符）和注释：
如果（$tag=〜m{
^（/？）＃结束标签
（\S+）＃标记名称
＃可选属性
（
＃<space><attr-name>=“<attr-value>”
（？：\s+
[\w：]+＃属性名称
=
\“[^\”]*\“＃属性值
）*
）
\s*
（/？）＃可选的单斜杠斜杠
$
}xs）
{
＃这是常规的<foo>，</foo>或<foo/>标记。
我的$closing=（$1ne“”）;＃这是结束标签吗？
我的$name=$2;＃标签名
我的$attrs=$3;＃属性分配
我的$singleton=（$4ne“”）;＃这是一个单例标签吗？
…
}
现在，$name是标签的名称，$attrs是（未解析的）属性字符串，$closing和$singleton是布尔型标志，分别告诉我们这是关闭标签还是单例标签。
关闭标签最容易处理。我们已经完成了元素的解析，解析后的数据位于$context中，因此我们要做的就是将其附加到其父元素并弹出@context堆栈以返回到该元素：
如果（$结束）
{
＃当前上下文的结尾
＃将$context附加到@context中的最后一项
推送@{$context[$＃context]}，$context;
＃从堆栈中还原先前的上下文
$context=pop@context;
下一个;
}
这给我们留下了开始标签和单例标签。像<foo/>这样的单例元素等效于<foo></foo>。也就是说，单身人士没有孩子。但是，无论哪种情况，我们都需要启动一个新的上下文：
＃将旧的上下文保存到上下文堆栈中
推送@context，$context;
＃开始一个新的上下文
$context=[$name，$attrs];
当然，如果我们正在查看一个单例标记，那么我们已经知道它没有内容，应该立即关闭。并且由于我们已经完成了关闭标签的工作，因此我们已经知道如何关闭标签：
如果（$singleton）
{
推送@{$context[$＃context]}，$context;
$context=pop@context;
}
最后，我们可以解决三种标签类型中最困难的一种：打开标签。
对于这些，我们需要将旧的上下文保存到堆栈中并启动一个新的上下文（我们已经完成），然后……实际上，这是我们在此阶段需要做的所有事情。我们无法添加元素的内容，因为我们尚未从输入文件中读取它们。
还记得在顶部，当我们将标签与标签之前的文本分开，并将其附加到@{$context}之后吗？现在，我们了解$context的设置方式：看到开始标记时，我们创建了一个新的匿名数组，以便循环的后续迭代中可以放置其文本。
就是这样！您可以阅读完整的脚本，其中包括用于打印已解析树的＆dumptree函数和用于查找元素的＆lookup函数。
得到教训
输入记录不必以换行符结尾。如果有更方便的记录终止符或分隔符，请使用$/以使您的生活更轻松的方式读取输入。
Perl的正则表达式功能强大。不必象lex那样费力地尝试先读取“<”，然后读取标记名称，然后再读取属性，然后再读取“>”。只需阅读整个内容，然后在正则表达式内用括号括起来的表达式提取有趣的内容即可。
如果您要解决一个难题，请尝试将其分解为不那么困难的问题，然后将其分解为更简单的子问题。首先要照顾容易的部分。这使您可以进行简化的假设（如果我们知道我们不在看一个结束标记，那么我们就需要保存旧的上下文并开始一个新的上下文）。一旦处理了足够多的简单操作，您可能会发现难题已经简化为一点，您根本不需要做任何事情。