在撰寫本 developerWorks 系列文章的過程中，我曾遇到過以最佳格式進行撰寫的問題。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（而且每種格式都會各自將文檔綁定到不同的專用工具，這種情況又與開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 -- 但它也添加了標記，而這些標記很容易引起誤輸入（或者使人束縛于 HTML 增強型編輯器）。DocBook 是一種有趣的 XML 格式，它可以轉(zhuǎn)換成許多目標格式，并且它擁有技術(shù)文章（或書籍）的正確語義；但就像 HTML 一樣，在撰寫過程中會擔心許多標記。LaTeX 特別適合復雜的印刷格式；但它也有許多標記，而這些文章并不需要復雜的印刷格式。

為了在寫作時能真正省心 -- 特別是要具有平臺和工具的中立性 -- 無格式 ASCII 正是最好的選擇。但是，因特網(wǎng)（特別是 Usenet）建議在完全無格式文本的基礎(chǔ)上，開發(fā)一種“智能 ASCII”文檔的非正式標準（請參閱 參考資料 ）。“智能 ASCII”只添加了一點額外的語義內(nèi)容和上下文，而且它們在文本顯示中看起來是那么“自然”。電子郵件、新聞組郵件、FAQ、項目自述文件 (README) 和其它電子文檔通常包括一些印刷／語義元素，如強調(diào)字前后的星號、標題下的下劃線、描述文本關(guān)系的豎直和水平空格、有選擇性的全大寫和其它一些信息。Project Gutenberg（請參閱 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，并認為“智能 ASCII”是長時間保存和分發(fā)好書的最佳選擇。即使這些文章不會像文學名著那樣經(jīng)久不衰，仍決定將它們寫成“智能 ASCII”格式，并用方便的 Python 腳本將它們自動轉(zhuǎn)換成其它格式。

介紹 Txt2Html

Txt2Html 最初是一個簡單的文件轉(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明顯的增強功能。因為有許多讀者想以“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程文檔（而不需要下載／轉(zhuǎn)換／查看循環(huán)周期）。因為轉(zhuǎn)換的目標最終是 HTML，通常我們要做的就是在 Web 瀏覽器中查看轉(zhuǎn)換后的目標文檔。

將這些放到一起后，Txt2Html 就成了“基于 Web 的過濾代理”。這個詞很奇特，也許恰好能“完全表達其含義”。它們體現(xiàn)了以下想法：程序代表您閱讀 Web 頁面（或其它資源），以某種方式處理內(nèi)容，然后以某種比原始頁面 更好 的形式（至少能滿足某些特殊目的）向您顯示該頁面。這種工具的一個很好例子就是 Babelfish 翻譯服務(wù)（請參閱 參考資料 ）。在通過 Babelfish 運行了 URL 之后，您看到的 Web 頁面與原始頁面非常相似，但它顯示了您能夠讀懂的文字，而不是您不理解的語言。在某種程度上，所有顯示搜索結(jié)果頁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）在目標頁面的格式以及外觀方面有更多的自由度，同時會去掉許多內(nèi)容。當然，Txt2Html 并不如 Babelfish 那樣功能強大；但概念上，它們很大程度上完成相同的事情。請參閱 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)點是使用許多編程技巧，而這些技巧對于不同面向 Web 使用 Python 是共通的。本文將介紹那些技巧，并會說明編碼技巧和一些 Python 模塊的作用域。請注意：Txt2Html 中的實際模塊叫做 dmTxt2Html，以避免與其他人編寫的模塊名稱發(fā)生沖突。

使用 cgi 模塊

Python 標準發(fā)行版中的 cgi 模塊對于任何用 Python 開發(fā)“公共網(wǎng)關(guān)接口”應(yīng)用程序的人來說都是意外驚喜?？梢圆皇褂盟鼇韯?chuàng)建 CGI，但您不會這樣做。

最通常的情況下，您會通過 HTML 表單與 CGI 應(yīng)用程序進行交互。要填寫調(diào)用 CGI 的表單以執(zhí)行使用規(guī)范的操作。例如，Txt2Html 文檔使用這個例子來調(diào)用 HTML 表單（Txt2Html 自身生成的表單比較復雜，并且可能會改變，但示例將會很好地工作，甚至是在您自己的 Web 頁面中）：

調(diào)用 'Txt2Html' 的 HTML 表單

<form method="get" action="">

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、復選框、單選列表、單選按鈕等）。任何講述 HTML 的好書可以幫助初學者創(chuàng)建定制 HTML 表單。此處最需要牢記的是每個字段都有名稱屬性，而以后會在 CGI 腳本中使用該名稱來引用該字段。另一個需要了解的細節(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，并且這個方法使用戶易于保存特定查詢以便日后重復使用。另一方面，如果您不希望用戶保存查詢，請使用 "post" 方法。

以上表單調(diào)用的 Python 腳本將導入 cgi 以使整理其調(diào)用表單變得更容易。這個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節(jié)。在進行調(diào)用之前，這并不是 CGI 創(chuàng)建程序需要操心的細節(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

?1234567891011121314 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，要注意幾處細節(jié)。我們所使用的一個技巧是設(shè)置 sys.stderr = sys.stdout。如果我們的腳本遇到了一個未捕獲的錯誤，通過這個操作，追溯就顯示回到客戶機瀏覽器。這可以節(jié)省許多調(diào)試 CGI 應(yīng)用程序的時間。但您也許不想讓用戶看到這些（或者如果它們可能向您報告問題詳細信息，您也許會向用戶顯示這些內(nèi)容）。接著，我們將 HTML 表單值讀取到類似于字典的 form 實例中。表單有一個 .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 以直觀且簡單的方法處理許多復雜事物。urllib 中的 urlopen() 函數(shù)可以處理任何遠程資源 -- 無論是 http:、ftp: 還是 gopher: --就將它當作是本地文件。如果使用 urlopen() 抓取了一個遠程（偽）文件對象，可以將它當作本地（只讀）文件的文件對象來進行處理：

使用 Python [urllib] 模塊

?123456789101112131415161718192021222324252627282930313233343536373839 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'

我曾遇到過一個小問題，由于生成資源的平臺和您的平臺使用不同的行結(jié)束約定，生成的文本中可能會發(fā)生某些奇怪的事（這似乎是 urllib 中的錯誤）。這個問題的解決方法是在以上代碼中執(zhí)行小小的 .readlines() 循環(huán)。不管該資源原來是什么樣子，這個操作會給您一個字符串，它都有所使用平臺的正確行結(jié)束約定（估計可能合理）。

使用 re 模塊

由于本文篇幅限制，這里只討論一部分規(guī)則表達式。參考資料中列出了許多關(guān)于該主題的參考書籍。 re 模塊在 Txt2Html 中的使用很廣泛，用于標識源文本中的各種文本模式。我們查看一個比較復雜的例子：

使用 Python [re] 模塊

?12345678910111213 import re def URLify (txt): txt = re.sub( '((?:http|ftp|gopher|file)://(?:[^ \n\r<\)]+))(\s)', '<a href=", txt) return txt

URLify() 是一個小巧函數(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 URL 真正的熱鏈接。讓我們看看 re.sub() 的作用。首先，從最主要的角度來看，函數(shù)的目的是“查找與第一個模式中的值匹配的字符串，然后通過將第三個變量作為要操作的字符串，以第二個模式替換匹配結(jié)果”。非常好，從這些角度來看，它與 string.replace() 沒有什么區(qū)別。

第一個模式有幾個元素。首先，請注意括號：最高層次由兩對括號組成：(\S) 前復雜的字符串。括號對與可能組成部分替換模式的“子表達式”匹配。第二個子表達式 (\s) 只表示“查找與任何空格字符匹配的字符串，讓我們回過來看什么與之匹配”。因此，讓我們研究一下第一個子表達式。

Python 規(guī)則表達式有它自己的一些技巧。其中一個技巧是子表達式開始處的 ?: 運算符。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子表達式：

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

首先，請注意這個子表達式本身由兩個子表達式組成，兩者之間的字符并不屬于任何一方。但是，每個子表達式都由 ?: 開頭，它表示這兩者匹配，但不是為了滿足引用目的。第一個“非引用”子表達式只表示“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（簡單嗎？）。最后，我們看到第二個子表達式，它除了有由方括號組成的“不引用”運算符外，還有一個加號。

在規(guī)則表達式中，方括號只表示“查找與方括號中任何字符的匹配字符”。但是，如果第一個字符是插入記號 (^)，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（還請注意，可以通過在字符前面加 "\"，避開對于規(guī)則表達式有特殊意義的字符）。結(jié)尾處的加號表示“查找最后字符串的一個或多個匹配”（星號表示“零個或多個”，問號表示“零個或一個”）。

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

接著就是替換部分。這就更簡單了?？瓷先ヮ愃?和（或者 、 等，如果需要的話）的部分就是剛談到的“反向引用”。（或 ）表示模式與匹配表達式的第一個（或第二個）子表達式相匹配。替換部分的其余組成部分沒有什么特別含義：只是一些容易識別為 HTML 代碼的字符。有一件事比較麻煩，那就是匹配 -- 它看上去就是一個空格字符。也許有人會問：“有什么麻煩的？為什么不直接插入一個空格字符？”問得好，實際上我們不 需要 執(zhí)行對 HTML 的操作。但從美學角度來看，最好讓 HTML 輸出盡可能保留轉(zhuǎn)換成 HTML 標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）。

更多信息請查看IT技術(shù)專欄