明月天山

晚上从公司出来时，已经比较晚，没有公交车了。空气凉凉的，决定走回去，想起前年夏天，天天晚上这样悠闲地走回去。现在已经是快要离开的人了，这一年多，学到了很多，更懂得了很多。

路上无事，边走边和朋友打电话闲聊，调侃他们每个周末泡在一起学法语。相隔千里，相隔经年，那份熟悉依然在。要不是前些日子韦厮跑来玩，都觉得遥远了。一路走着，凉凉的是丁丁点点的雨星，不是下雨，而是像厚重的雾天般湿润。正聊着，忽然醒觉衣服沉重起来，原来雨已经开始下了，淅淅沥沥的春雨！想起白天时，深圳的朋友急切地问：北京，雨否雨否？想起有人提过，江南的春雨已经淅淅沥沥下很久了，湿润的墙角苔藓，屋檐滴滴答答挂着的雨季……正是这个应该的季节，春雨和绿色，还有花朵怒放。

天街小雨润如酥， 草色遥看近却无。温度逐渐回暖，游泳池的水也不像上周那么寒冷，草坪返青，桃花开放。很想买一个单反数码相机，回头看一下有没有预算。据说日本和香港那边便宜不少，回头问问朋友看。

今天第一次下水，现在气温还比较低，刚下水的时候，大家都喊冷冷冷…

主要学习了基本知识，水中行走、漂浮、各种跳水等等。感冒还没有完全好，不是很适应，鼻子耳孔嘴巴都进水了。回来后，疲乏的不行，一下子睡了n久~

上午有个突尼斯迦太基大学的访问团，参加了在主楼实验室和他们的交流。本来怕自己英语太烂，结果发现说非洲语和法语的他们，英语口语更烂，哈哈。很多法语使用者，会无意中用法语的发音方式念英语。还有个搞笑的地方，他们用“你好”和我们打招呼，我于是用法语打招呼，一哥们喜出望外，叽哩咕噜一通法语，只懂两句法语的我，马上就傻眼了….

前些天写过一篇文章，解释Google使用UTF-8编码它的URL，而百度使用GB2312编码其URL。感谢某位网友巧妙地使用Python来找出这个答案。

今天发现，其实，这个答案是不正确的，百度也使用UTF-8来编码，只不过缺省的是GB2312而已。怎么确定是那种编码呢？看下面参数中的ie部分，它可能是utf-8、或者gb2312、或者没有：

http://www.baidu.com/s?ie=gb2312&bs=ajax+%D1%A7%CF%B0&sr=&z=&cl=3&f=8&wd=ajax&ct=0

美好的世界中，懒人总有选择。对我这样一个Python新手，没有足够的闲暇时间，去读完Python中的XML处理模块，那么最好的方式，就是利用已有的只是囖。那么最直接的方式，就是利用.NET的类库，这方面的工具就是：

IronPython
http://www.codeplex.com/IronPython

Python for .NET
http://pythonnet.sourceforge.net/

Python这个脚本语言有很灵活的选择，比如你熟悉Java，可以考虑JPython，^_^

我用的Nokia手机是香港水货，刚买回来、以及刷新了软件以后都需要设置彩信、WAP、GPRS，然后才能收发短信和上网。网上有很多设置步骤详解，不过最简单的就是通过Nokia官方网站进行设置：

http://www.nokia.com.cn/cn/support/setup/setting.shtml

相应的设置会发到你的手机，接受应用就行了。

http://gztg.ys168.com/
http://nokia6233.ys168.com/

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]