Python SAX 解析器程序计算出错误的结果

Question

以下 xml 文件 (lieferungen.xml) 包含多个不一致之处。一些项目有多个 ID（例如项目 "apfel" 有 3 个不同的 ID）：

<?xml version="1.0" encoding="UTF-8"?>
<lieferungen xmlns="urn:myspace:lieferungen" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="urn:myspace:lieferungen C:\xml\lieferungen.xsd">
    <artikel id="3526">
        <name>apfel</name>
        <preis stueckpreis="true">8.97</preis>
        <lieferant>Fa. Krause</lieferant>
    </artikel>
    <artikel id="7866">
        <name>Kirschen</name>
        <preis stueckpreis="false">10.45</preis>
        <lieferant>Fa. Helbig</lieferant>
    </artikel>
    <artikel id="4444"> <!--DIFFERENT ID FOR apfel!! -->    
        <name>apfel</name>
        <preis stueckpreis="true">12.67</preis>
        <lieferant>Fa. Liebig</lieferant>
    </artikel>
    <artikel id="7866">
        <name>Kirschen</name>
        <preis stueckpreis="false">17.67</preis>
        <lieferant>Fa. Krause</lieferant>
    </artikel>
    <artikel id="2345"> <!--DIFFERENT ID FOR apfel!! -->
        <name>apfel</name>
        <preis stueckpreis="true">9.54</preis>
        <lieferant>Fa. Mertes</lieferant>
    </artikel>
    <artikel id="7116"> <!--DIFFERENT ID FOR Kirschen!! -->
        <name>Kirschen</name>
        <preis stueckpreis="false">16.45</preis>
        <lieferant>Fa. Hoeller</lieferant>
    </artikel>
    <artikel id="7868">
        <name>Kohl</name>
        <preis stueckpreis="false">3.20</preis>
        <lieferant>Fa. Hoeller</lieferant>
    </artikel>
    <artikel id="7866">
        <name>Kirschen</name>
        <preis stueckpreis="false">12.45</preis>
        <lieferant>Fa. Richard</lieferant>
    </artikel>
    <artikel id="3245">
        <name>Bananen</name>
        <preis stueckpreis="false">15.67</preis>
        <lieferant>Fa. Hoeller</lieferant>
    </artikel>
    <artikel id="6745"> <!--DIFFERENT ID FOR Kohl!! -->     
        <name>Kohl</name>
        <preis stueckpreis="false">3.10</preis>
        <lieferant>Fa. Reinhardt</lieferant>
    </artikel>
    <artikel id="7789">
        <name>Ananas</name>
        <preis stueckpreis="true">8.60</preis>
        <lieferant>Fa. Richard</lieferant>
    </artikel>
</lieferungen>

为了找出文件中所有不一致的地方，我在python中写了下面的sax-parser:

import xml.sax
import sys


class C_Handler(xml.sax.ContentHandler):

    def __init__(self):
        self.items = {}
        self.items2 = {}
        self.read = 0
        self.id = 0

    def startDocument(self):
        print("Inconsistencies:\n")

    def startElement(self, tag, attributes): 
        if tag=="name":
            self.read = 1
        if tag=="artikel":
            self.id = attributes["id"]            

    def endElement(self, tag):
        if tag=="name":
            self.read = 0

    def characters(self, content):
        if self.read == 1:
            item = content
            #check whether the item is not yet part of the dictionaries
            if item not in self.items:
                #add item (e.g. "apfel") to both dictionary "items" and  
                #dictionary "items2". The value for the item is the id in the 
                #case of dictionary "items" and "0" in the case of dictionary 
                #"items2". The second dictionary contains the number of 
                #inconsistencies for each product. At the beginning, the 
                #number of inconsistencies for the product is zero.  
                self.items[item] = self.id
                self.items2[item] = 0
            else:
                if self.items[item] == self.id:
                    #increase number of inconsistencies by 1:
                    self.items2[item] = self.items2[item] + 1

    def endDocument(self):
        for prod in self.items2:
            if self.items2[prod]>0:
                print("There are {} different IDs for item \"
                {}\".".format(self.items2[prod] + 1, prod))


if ( __name__ == "__main__"):

    c = C_Handler()
    xml.sax.parse("lieferungen.xml", c)

这个程序的输出如下：

Inconsistencies:

There are 3 different IDs for item "Kirschen".

如您所见，从文件中（注意标记出现多个 ID 的注释），此输出在两个方面是错误的：

项目 "Kirschen" 只有两个不同的 ID，而不是三个。
一些具有多个 ID 的项目根本没有被提及（例如项目 "Kohl" 有两个不同的 ID）

但是，我不明白，我的代码出了什么问题。

Answer 1

除非我误解了，否则错误是这一行

                if self.items[item] == self.id:

应该是

                if self.items[item] != self.id:

就目前而言，您的程序似乎在计算一致性而不是不一致性：Kirschen 使用 ID 7866 三次，没有其他程序多次使用相同的 ID，因此您的输出。

进行上述更改后，我得到以下输出：

Inconsistencies:

There are 3 different IDs for item "apfel".
There are 2 different IDs for item "Kirschen".
There are 2 different IDs for item "Kohl".

话虽如此，我不确定您的代码是否一定会一直执行您想要的操作。尝试将 ID 为 7116 的 <artikel> 元素移动到所有其他 <artikel> 元素之上，然后是运行您的代码。然后您的代码会告诉您 Kirschen 有四个不同的 ID，而实际上只有两个。

这是因为您的程序为某个项目输出的 ID 数量是一个用于为该项目找到的第一个 ID，另一个用于每个具有该名称但 ID 不同的 <artikel> 元素从第一个开始。

如果您真的想计算每个产品使用的 ID 数量，更好的方法是使用集合来存储您遍历每个产品使用的 ID，然后打印包含的任何集合的长度不止一个元素。这是进行此更改后您的 characters 方法的样子 - 我将留给您对 endDocument 方法进行必要的修改：

   def characters(self, content):
        if self.read == 1:
            item = content
            #check whether the item is not yet part of the dictionary
            if item not in self.items:
                self.items[item] = set([self.id])
            else:
                self.items[item].add(self.id)

请注意，在最后一行中，我不需要检查 self.items[item] 中的集合是否已包含 self.id。集合的好处在于，如果您添加集合中已有的 ID，则不会发生任何事情。该集合不会以重复的 ID 结尾。另请注意，我不再使用 self.items2，因为 self.items 拥有我需要的所有信息。

你甚至可以比这更进一步。我们必须检查 item 是否在 self.items 中，如果不在，则为该项目创建一个集合。如果我们使用 defaultdict，那么它将负责为我们创建集合（如果它尚不存在）。在 C_Handler class 上方添加 from collections import defaultdict 行，并将 self.items = {} 行替换为 self.items = defaultdict(set)。完成此操作后，您的 characters 方法只需如下所示：

    def characters(self, content):
        if self.read == 1:
            item = content
            self.items[item].add(self.id)

Python SAX 解析器程序计算出错误的结果

Python SAX Parser program calculating wrong results

python

xml

sax