Python-SAX解析器程序计算错误结果

Question

以下xml文件(lieferungen.xml文件)包含几个不一致之处。多个项目具有多个id（例如，项目“apfel”具有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>

为了找出文件中的所有不一致之处，我用python编写了以下sax解析器：

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)

该程序的输出如下：

Inconsistencies:

There are 3 different IDs for item "Kirschen".

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

1. 项目“Kirschen”只有两个不同的ID，而不是三个。你知道吗
2. 多个具有一个以上ID的项目根本没有提及（例如，“Kohl”项目有两个不同的ID）

但是，我不明白，我的代码出了什么问题。你知道吗

Answer 1

除非我误解了，错误是这行

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

应该是

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

从目前的情况来看，您的程序似乎在计算一致性而不是不一致性：Kirschen使用ID7866三次，其他任何程序都不会多次使用同一ID，因此您的输出是正确的。你知道吗

通过上述更改，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".

---

说了这些，我不确定你的代码一定会一直做你想做的事情。尝试将ID为7116的<artikel>元素移到所有其他<artikel>元素之上，然后运行代码。然后，代码将告诉您Kirschen有四个不同的id，而实际上只有两个。你知道吗

这是因为程序为一个项输出的ID的数目是为该项找到的第一个ID的数目，以及为每个具有该名称但其ID与第一个ID不同的<artikel>元素的数目。你知道吗

如果您真的想计算每个产品使用的id的数量，更好的方法是使用集合来存储每个产品使用的id，然后打印包含多个元素的任何集合的长度。下面是您的characters方法在进行此更改后的外观-我将让您对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)

注意，在最后一行中，我不需要检查self.items[item]中的集合是否已经包含self.id。集合的好处在于，如果你添加了一个已经在集合中的ID，那么什么也不会发生。集合不会以重复的ID结束。还要注意的是，我不再使用self.items2，因为self.items有我需要的所有信息。你知道吗

你甚至可以更进一步。我们必须检查item是否在self.items中，如果不在，则为该项创建一个集。如果使用^{}，那么如果该项不存在，则需要为我们创建一个集。在C_Handler类上方添加from collections import defaultdict行，并用self.items = defaultdict(set)替换self.items = {}行。完成此操作后，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)