明月天山

本来想找RSS 1.0/2.0、ATOM 1.0的schema的，结果找到一个很好的种子feed解析器，而且是通用的，就是Python写的feedparser：

    http://feedparser.org/

Python能用的模块还真的不少，使用挺方便的，通过version属性，可以很容易的知道种子的类型，到底是ATOM还是RSS，更重要的是直接就能解析RSS和ATOM文档，赞！

在写的一个程序，用Python搜集数据，用XML做为重要的中间数据存储方式，出了很多问题。尤其是用VS 2005打开一个2M多的XML文件后，破破的本本就焊住了近一个小时…..最后，发现好多问题，都源于XML中需要转义的字符！晕~~

?

?

XML CDATA

在XML文档中的所有文本都会被解析器解析。

只有在CDATA部件之内的文本会被解析器忽略。

解析数据

XML 解析器通常情况下会处理XML文档中的所有文本。

当XML元素被解析的时候，XML元素内部的文本也会被解析:

<message>This text is also parsed</message>

XML解析器这样做的原因是XML元素内部可能还包含了别的元素，象下面的例子，name元素内部包含了first和last两个元素:

<name><first>Bill</first><last>Gates</last></name>

解析器会认为上面的代码是这样的:

<name>
<first>Bill</first>
<last>Gates</last>
</name>

转义字符

不合法的XML字符必须被替换为相应的实体。

如果在XML文档中使用类似”<” 的字符, 那么解析器将会出现错误，因为解析器会认为这是一个新元素的开始。所以不应该象下面那样书写代码:

<message>if salary < 1000 then</message>

为了避免出现这种情况，必须将字符”<” 转换成实体，象下面这样:

<message>if salary &lt; 1000 then</message>

下面是五个在XML文档中预定义好的实体:

实体必须以符号”&”开头，以符号”;”结尾。

注意: 只有”<” 字符和”&”字符对于XML来说是严格禁止使用的。剩下的都是合法的，为了减少出错，使用实体是一个好习惯。

CDATA部件

在CDATA内部的所有内容都会被解析器忽略。

如果文本包含了很多的”<”字符和”&”字符——就象程序代码一样，那么最好把他们都放到CDATA部件中。

一个 CDATA 部件以”<![CDATA[" 标记开始，以"]]>“标记结束:

<script>
<![CDATA[
function matchwo(a,b)
{
if (a < b && a < 0) then
{
return 1
}
else
{
return 0
}
}
]]>
</script>

在前面的例子中，所有在CDATA部件之间的文本都会被解析器忽略。

CDATA注意事项:

CDATA部件之间不能再包含CDATA部件（不能嵌套）。如果CDATA部件包含了字符”]]>” 或者”<![CDATA[" ，将很有可能出错哦。

同样要注意在字符串"]]>“之间没有空格或者换行符。

需要编写从网页中抽取信息的程序，看了两天资料。整理一些有用的链接：

XPath Tutorial:
http://www.zvon.org/xxl/XPathTutorial/General/examples.html

HTML Tidy Library Project
http://tidy.sourceforge.net/

XPointer Tutorial
http://www.zvon.org/xxl/XPointerTutorial/Output/index.html

[收集Web数据抽取的相关文档]

I need to publish blog entries using an automated program. The first idea is to do it by email. However, it turned out that DasBlog doesn’t support unicode well. For exmaple, Chinese articles posted via email are in wrong encoding.

After trying virous encoding method, I came to think that it will be more convenient to do it via the Metaweblog API. Trying to patch dasblog is not pratical to me, due to time limitation. Then I installed Windows Live Writer, and proved that dasblog supports Metaweblog API.

The next thing to do is find a XML-RPC library. After surfing around the Internet, XML-RPC.NET comes into my sight. Actually I also found that it’s already used in dasblog. It has been developed ever since 2001, and is still active. Many thanks to the lead programmer, Charles Cook.?If you are also interested in employing XML-RPC in C#, you can find it here: http://www.xml-rpc.net/

?

Some useful articles that are relevant:

• Rss 2.0 And Atom 1.0 Compared
• XML-RPC.NET
• MetaWeblogAPI and MSN Spaces?(Sample)
• Cook Computing (Charles Cook’s blog)
• Dasblog: Blogger XML-RPC Api
• XML-RPC implementations
• RFC: MetaWeblog API