在撰寫(xiě)本 developerWorks 系列文章的過(guò)程中，我曾遇到過(guò)以最佳格式進(jìn)行撰寫(xiě)的問(wèn)題。文字處理程序格式都是專用的，在格式之間轉(zhuǎn)換總不能盡如人意，也很麻煩（而且每種格式都會(huì)各自將文檔綁定到不同的專用工具，這種情況又與開(kāi)放源碼的精神相違背）。HTML 還算中立 -- 也許您現(xiàn)在閱讀的文章正是這種格式 -- 但它也添加了標(biāo)記，而這些標(biāo)記很容易引起誤輸入（或者使人束縛于 HTML 增強(qiáng)型編輯器）。DocBook 是一種有趣的 XML 格式，它可以轉(zhuǎn)換成許多目標(biāo)格式，并且它擁有技術(shù)文章（或書(shū)籍）的正確語(yǔ)義；但就像 HTML 一樣，在撰寫(xiě)過(guò)程中會(huì)擔(dān)心許多標(biāo)記。LaTeX 特別適合復(fù)雜的印刷格式；但它也有許多標(biāo)記，而這些文章并不需要復(fù)雜的印刷格式。

為了在寫(xiě)作時(shí)能真正省心 -- 特別是要具有平臺(tái)和工具的中立性 -- 無(wú)格式 ASCII 正是最好的選擇。但是，因特網(wǎng)（特別是 Usenet）建議在完全無(wú)格式文本的基礎(chǔ)上，開(kāi)發(fā)一種“智能 ASCII”文檔的非正式標(biāo)準(zhǔn)（請(qǐng)參閱 參考資料 ）。“智能 ASCII”只添加了一點(diǎn)額外的語(yǔ)義內(nèi)容和上下文，而且它們?cè)谖谋撅@示中看起來(lái)是那么“自然”。電子郵件、新聞組郵件、FAQ、項(xiàng)目自述文件 (README) 和其它電子文檔通常包括一些印刷／語(yǔ)義元素，如強(qiáng)調(diào)字前后的星號(hào)、標(biāo)題下的下劃線、描述文本關(guān)系的豎直和水平空格、有選擇性的全大寫(xiě)和其它一些信息。Project Gutenberg（請(qǐng)參閱 參考資料 ）是一種驚人的成果，它將許多想法加入其自身格式構(gòu)思中，并認(rèn)為“智能 ASCII”是長(zhǎng)時(shí)間保存和分發(fā)好書(shū)的最佳選擇。即使這些文章不會(huì)像文學(xué)名著那樣經(jīng)久不衰，仍決定將它們寫(xiě)成“智能 ASCII”格式，并用方便的 Python 腳本將它們自動(dòng)轉(zhuǎn)換成其它格式。
介紹 Txt2Html

Txt2Html 最初是一個(gè)簡(jiǎn)單的文件轉(zhuǎn)換器，從其名稱上就可以看出。但因特網(wǎng)建議在工具上添加幾個(gè)明顯的增強(qiáng)功能。因?yàn)橛性S多讀者想以“HTML 化”格式查看的文檔都在 http: 或 ftp: 鏈接的后面，所以工具應(yīng)該真正直接處理這樣的遠(yuǎn)程文檔（而不需要下載／轉(zhuǎn)換／查看循環(huán)周期）。因?yàn)檗D(zhuǎn)換的目標(biāo)最終是 HTML，通常我們要做的就是在 Web 瀏覽器中查看轉(zhuǎn)換后的目標(biāo)文檔。

將這些放到一起后，Txt2Html 就成了“基于 Web 的過(guò)濾代理”。這個(gè)詞很奇特，也許恰好能“完全表達(dá)其含義”。它們體現(xiàn)了以下想法：程序代表您閱讀 Web 頁(yè)面（或其它資源），以某種方式處理內(nèi)容，然后以某種比原始頁(yè)面 更好 的形式（至少能滿足某些特殊目的）向您顯示該頁(yè)面。這種工具的一個(gè)很好例子就是 Babelfish 翻譯服務(wù)（請(qǐng)參閱 參考資料 ）。在通過(guò) Babelfish 運(yùn)行了 URL 之后，您看到的 Web 頁(yè)面與原始頁(yè)面非常相似，但它顯示了您能夠讀懂的文字，而不是您不理解的語(yǔ)言。在某種程度上，所有顯示搜索結(jié)果頁(yè)面摘要的搜索引擎所做的都是相同的事情。但那些搜索引擎（按設(shè)計(jì)）在目標(biāo)頁(yè)面的格式以及外觀方面有更多的自由度，同時(shí)會(huì)去掉許多內(nèi)容。當(dāng)然，Txt2Html 并不如 Babelfish 那樣功能強(qiáng)大；但概念上，它們很大程度上完成相同的事情。請(qǐng)參閱 參考資料以獲取更多的例子，其中一些還很幽默。

Txt2Html 最大的優(yōu)點(diǎn)是使用許多編程技巧，而這些技巧對(duì)于不同面向 Web 使用 Python 是共通的。本文將介紹那些技巧，并會(huì)說(shuō)明編碼技巧和一些 Python 模塊的作用域。請(qǐng)注意：Txt2Html 中的實(shí)際模塊叫做 dmTxt2Html，以避免與其他人編寫(xiě)的模塊名稱發(fā)生沖突。

使用 cgi 模塊

Python 標(biāo)準(zhǔn)發(fā)行版中的 cgi 模塊對(duì)于任何用 Python 開(kāi)發(fā)“公共網(wǎng)關(guān)接口”應(yīng)用程序的人來(lái)說(shuō)都是意外驚喜?？梢圆皇褂盟鼇?lái)創(chuàng)建 CGI，但您不會(huì)這樣做。

最通常的情況下，您會(huì)通過(guò) HTML 表單與 CGI 應(yīng)用程序進(jìn)行交互。要填寫(xiě)調(diào)用 CGI 的表單以執(zhí)行使用規(guī)范的操作。例如，Txt2Html 文檔使用這個(gè)例子來(lái)調(diào)用 HTML 表單（Txt2Html 自身生成的表單比較復(fù)雜，并且可能會(huì)改變，但示例將會(huì)很好地工作，甚至是在您自己的 Web 頁(yè)面中）：
調(diào)用 'Txt2Html' 的 HTML 表單

    <form method="get" action="http://gnosis.cx/cgi/txt2html.cgi">
     URL: <input type="text" name="source" size=40>
     <input type="submit" name="go" value="Display!">
    </form>

可以在 HTML 表單中包括許多輸入字段，而字段可以是許多不同類型中的一種（文本、復(fù)選框、單選列表、單選按鈕等）。任何講述 HTML 的好書(shū)可以幫助初學(xué)者創(chuàng)建定制 HTML 表單。此處最需要牢記的是每個(gè)字段都有名稱屬性，而以后會(huì)在 CGI 腳本中使用該名稱來(lái)引用該字段。另一個(gè)需要了解的細(xì)節(jié)是表單可以使用以下兩種方法中的一種："get" 和 "post"。它們的基本差異是 "get" 在 URL 中包括了查詢信息，并且這個(gè)方法使用戶易于保存特定查詢以便日后重復(fù)使用。另一方面，如果您不希望用戶保存查詢，請(qǐng)使用 "post" 方法。

以上表單調(diào)用的 Python 腳本將導(dǎo)入 cgi 以使整理其調(diào)用表單變得更容易。這個(gè)模塊所做的一件事就是隱藏 CGI 腳本中 "get" 和 "post" 方法之間差異的任何細(xì)節(jié)。在進(jìn)行調(diào)用之前，這并不是 CGI 創(chuàng)建程序需要操心的細(xì)節(jié)。該 CGI 模塊的主要作用是處理類似于字典樣式的調(diào)用 HTML 表單中的所有字段。您所得到的并不是 真正 的 Python 字典，但它們的使用方式極其相似：
使用 Python [cgi] 模塊

import
     cgi, sys
  cfg_dict = {
    'target': 
    '<STDOUT>'}
  sys.stderr = sys.stdout
  form = cgi.FieldStorage()
  
    if
     form.has_key(
    'source'):
   cfg_dict[
    'source'] = form[
    'source'].value

在以上幾行中，要注意幾處細(xì)節(jié)。我們所使用的一個(gè)技巧是設(shè)置 sys.stderr = sys.stdout。如果我們的腳本遇到了一個(gè)未捕獲的錯(cuò)誤，通過(guò)這個(gè)操作，追溯就顯示回到客戶機(jī)瀏覽器。這可以節(jié)省許多調(diào)試 CGI 應(yīng)用程序的時(shí)間。但您也許不想讓用戶看到這些（或者如果它們可能向您報(bào)告問(wèn)題詳細(xì)信息，您也許會(huì)向用戶顯示這些內(nèi)容）。接著，我們將 HTML 表單值讀取到類似于字典的 form 實(shí)例中。表單有一個(gè) .has_key() 方法，這與真正的 Python 字典非常相似。但是，與 Python 字典不同，要真正獲取鍵中的值，我們必須查看鍵的 .value 屬性。

至此，HTML 表單中的所有東西都成了純 Python 變量，而且我們可以在其它任何 Python 程序中處理它們。

使用 urllib 模塊

就像大多數(shù) Python 模塊一樣，urllib 以直觀且簡(jiǎn)單的方法處理許多復(fù)雜事物。urllib 中的 urlopen() 函數(shù)可以處理任何遠(yuǎn)程資源 -- 無(wú)論是 http:、ftp: 還是 gopher: --就將它當(dāng)作是本地文件。如果使用 urlopen() 抓取了一個(gè)遠(yuǎn)程（偽）文件對(duì)象，可以將它當(dāng)作本地（只讀）文件的文件對(duì)象來(lái)進(jìn)行處理：
使用 Python [urllib] 模塊

from
     urllib 
    import
     urlopen
  
    import
     string
  source = cfg_dict[
    'source']
  
    if
     source == 
    '<STDIN>':
   fhin = sys.stdin
  
    else
    :
   
    try
    :
   fhin = urlopen(source)
   
    except
    :
   ErrReport(source+
    ' could not be opened!', cfg_dict)
   
    return
  
     doc = 
    ''
  
    for
     line 
    in
     fhin.readlines(): 
    # Need to normalize line endings!
   doc = doc+string.rstrip(line)+
    '\n'

我曾遇到過(guò)一個(gè)小問(wèn)題，由于生成資源的平臺(tái)和您的平臺(tái)使用不同的行結(jié)束約定，生成的文本中可能會(huì)發(fā)生某些奇怪的事（這似乎是 urllib 中的錯(cuò)誤）。這個(gè)問(wèn)題的解決方法是在以上代碼中執(zhí)行小小的 .readlines() 循環(huán)。不管該資源原來(lái)是什么樣子，這個(gè)操作會(huì)給您一個(gè)字符串，它都有所使用平臺(tái)的正確行結(jié)束約定（估計(jì)可能合理）。

使用 re 模塊

由于本文篇幅限制，這里只討論一部分規(guī)則表達(dá)式。參考資料中列出了許多關(guān)于該主題的參考書(shū)籍。 re 模塊在 Txt2Html 中的使用很廣泛，用于標(biāo)識(shí)源文本中的各種文本模式。我們查看一個(gè)比較復(fù)雜的例子：
使用 Python [re] 模塊

import
     re
  
    def
      URLify
    (txt):
   txt = re.sub(
    '((?:http|ftp|gopher|file)://(?:[^ \n\r<\)]+))(\s)',
   
    '<a href="\\1">\\1</a>\\2', txt)
   
    return
     txt

URLify() 是一個(gè)小巧函數(shù)，它的功能正如其名稱所示。如果在“智能 ASCII”文件中遇到了類似于 URL 的字符串，它將轉(zhuǎn)換成 HTML 輸出中同一個(gè) URL 真正的熱鏈接。讓我們看看 re.sub() 的作用。首先，從最主要的角度來(lái)看，函數(shù)的目的是“查找與第一個(gè)模式中的值匹配的字符串，然后通過(guò)將第三個(gè)變量作為要操作的字符串，以第二個(gè)模式替換匹配結(jié)果”。非常好，從這些角度來(lái)看，它與 string.replace() 沒(méi)有什么區(qū)別。

第一個(gè)模式有幾個(gè)元素。首先，請(qǐng)注意括號(hào)：最高層次由兩對(duì)括號(hào)組成：(\S) 前復(fù)雜的字符串。括號(hào)對(duì)與可能組成部分替換模式的“子表達(dá)式”匹配。第二個(gè)子表達(dá)式 (\s) 只表示“查找與任何空格字符匹配的字符串，讓我們回過(guò)來(lái)看什么與之匹配”。因此，讓我們研究一下第一個(gè)子表達(dá)式。

Python 規(guī)則表達(dá)式有它自己的一些技巧。其中一個(gè)技巧是子表達(dá)式開(kāi)始處的 ?: 運(yùn)算符。這表示“查找子模式的匹配字符串，但不包括反向引用中的匹配結(jié)果”。那么，讓我們檢查一下這個(gè)子表達(dá)式：

    ((?:http|ftp|gopher|file)://(?:[^ \n\r<\)]+))。

首先，請(qǐng)注意這個(gè)子表達(dá)式本身由兩個(gè)子表達(dá)式組成，兩者之間的字符并不屬于任何一方。但是，每個(gè)子表達(dá)式都由 ?: 開(kāi)頭，它表示這兩者匹配，但不是為了滿足引用目的。第一個(gè)“非引用”子表達(dá)式只表示“查找類似于 http 或ftp 或 其它值的字符串”。接著，我們看到字符串 :// ，它表示查找與它完全相似的字符串（簡(jiǎn)單嗎？）。最后，我們看到第二個(gè)子表達(dá)式，它除了有由方括號(hào)組成的“不引用”運(yùn)算符外，還有一個(gè)加號(hào)。

在規(guī)則表達(dá)式中，方括號(hào)只表示“查找與方括號(hào)中任何字符的匹配字符”。但是，如果第一個(gè)字符是插入記號(hào) (^)，含義則相反，它表示“查找任何與后面的字符 不匹配的字符”。因此，我們正在查找 不 是空格、CR、LF、"<" 或 ")" 的字符（還請(qǐng)注意，可以通過(guò)在字符前面加 "\"，避開(kāi)對(duì)于規(guī)則表達(dá)式有特殊意義的字符）。結(jié)尾處的加號(hào)表示“查找最后字符串的一個(gè)或多個(gè)匹配”（星號(hào)表示“零個(gè)或多個(gè)”，問(wèn)號(hào)表示“零個(gè)或一個(gè)”）。

這個(gè)規(guī)則表達(dá)式有許多內(nèi)容有待理解，但如果多看幾遍，您就會(huì)明白這就是 URL 的格式。

接著就是替換部分。這就更簡(jiǎn)單了?？瓷先ヮ愃?\\1 和 \\2 （或者 \\3 、 \\4 等，如果需要的話）的部分就是剛談到的“反向引用”。\\1（或 \\2）表示模式與匹配表達(dá)式的第一個(gè)（或第二個(gè)）子表達(dá)式相匹配。替換部分的其余組成部分沒(méi)有什么特別含義：只是一些容易識(shí)別為 HTML 代碼的字符。有一件事比較麻煩，那就是匹配 \\2 -- 它看上去就是一個(gè)空格字符。也許有人會(huì)問(wèn)：“有什么麻煩的？為什么不直接插入一個(gè)空格字符？”問(wèn)得好，實(shí)際上我們不 需要 執(zhí)行對(duì) HTML 的操作。但從美學(xué)角度來(lái)看，最好讓 HTML 輸出盡可能保留轉(zhuǎn)換成 HTML 標(biāo)記之前的源文本文件外觀。尤其是，讓我們將換行符保留成換行符，空格就是空格（Tab 鍵就是 Tab 鍵）。

最新評(píng)論