DOM 模型在 MSXML 類庫中的核心表現,是把 XML 檔載入記憶體,形成一個 IXMLDOMDocument,再把文件中的每一個組成部分對應到各自的介面。由於篇幅所限,這裡先聚焦於 DOM 結構本身,暫不深入 XSLT 格式化 XML 的話題。我們先看一段包含 XML 基本組件的文本:
(1)<?XML version='1.0' encoding='GB2312'?> (2)<?XML-stylesheet type='text/xsl' href='/expert/Xsl/2.xsl'?> (3)<body> (4)<code1 id="text">文本</code> (5)<code2 id="cdata"> (6)<![CDATA[ (7)這裡是 CDATA 的內容,可以放類似 '<' 等可能會和 XML 控制資訊衝突的內容 (8)]]> (9)</code> (10)</body>
為方便說明,我在第一欄標上了行號。第 (1) 到 (10) 行共同構成一個 Document,在 MSXML 中對應 IXMLDOMDocument 介面;第 (1)、(2) 行對應 IXMLDOMProcessingInstruction;第 (3) 到 (10) 行則是一個 Root Element,對應 IXMLDOMElement,而 (3) 內層的 code1、code2 同樣是 element,只是位於 body 的下一層。要特別注意:Root 只能有一個,其下無論嵌套多深,理論上都允許有無數個節點,且允許名稱重複。
(4) 與 (5) 中的 id="?" 都是一個 attribute(其實 (1)、(2) 行的 version、encoding、type、href 也是),對應 MSXML 裡的 IXMLDOMAttribute。(4) 中的「文本」乍看之下與 (7) 這行差不多,都是文字資訊,很多人以為兩者都能用 get_text() 直接取得——不久之前我也這麼想——但其實不然。對於 (4) 中的「文本」,可以透過該 element 直接呼叫 get_text() 取得,對應 IXMLDOMText;但若對 (5) 這個 element 直接呼叫 get_text() 就會出錯。原因何在?因為 CDATA 是與「文本」不同的另一種類型,對應 IXMLDOMCDATASection,其取用方式後文再談。
至此,整個 XML 的基本骨架大致成形:
<IXMLDOMDocument> <IXMLDOMProcessingInstruction /> <IXMLDOMProcessingInstruction /> <IXMLDOMElement (根,只能有一個)> <IXMLDOMElement IXMLDOMAttribute> IXMLDOMText </ IXMLDOMElement > <IXMLDOMElement IXMLDOMAttribute> IXMLDOMCDATASection </ IXMLDOMElement > <IXMLDOMElement> </IXMLDOMDocument>
然而,翻閱許多 MSXML 教學會發現另一個介面 IXMLDOMNode,它究竟是怎麼回事?又與 IXMLDOMElement 有何關聯?不少人在這裡栽了跟頭,以致進度停滯不前。最近我打算在 C++Builder 5 下使用 XML 解析,卻發現沒有 TXMLDocument 控制項可用,想自行封裝 MSXML 的部分功能時,才逐漸領略其中的奧妙。
在 DOM 模型中,Document、ProcessingInstruction、Attribute、Element、TextNode、CDATASection 等都被視為一個個 Node;在 MSXML 的介面實作中,這些物件都是從 Node 派生出來的。要理解 Node 與這些介面的關係,關鍵在於看清各介面之間的派生結構。之所以要加入 Node 介面,是為了把 XML 的各要素串連起來,避免它們變得零散鬆散。
此外還有兩個介面:IXMLDOMNodeList 與 IXMLDOMNamedNodeMap。其中 IXMLDOMNamedNodeMap 主要用於串連同一個 Element 下的各 Attribute,因為同一 Element 的屬性必須互不衝突;而 IXMLDOMNodeList 則用於串連 ProcessingInstruction、Element、TextNode、CDATASection 等其他要素,這些要素(例如 Element)在同一層級是允許同名重複出現的。上述串連並未包含 Document,因為 Document 是整份 XML 的第一個 Node,不可能也不允許出現在 NodeList 或 NamedNodeMap 之下。
把 MSXML 的 Document 視為第一個 Node,接著透過 NamedNodeMap 遍歷該層的所有 Attribute,再透過 NodeList 遞迴巡覽下一層的所有 Node,便能看到如下的樹狀結構(attribute 在該行括號中列出,縮排代表所在層級):
#document XML (version;encoding) XML-stylesheet (type; href) body code1 (id) #text code2 (id) #cdata-section
從上述輸出可以看出,TextNode 與 CDATASection 都被當作 Element 的下一層 Node 來處理。get_text() 只是為了方便使用 TextNode 而提供的捷徑;對 CDATASection 用 get_text() 存取會出錯,此時可改為透過下一層 Node 的第一個 Node 來取得,方法如下:
MSXML::IXMLDOMNodePtr child; child = parent->childNodes->get_item(0); if (child != NULL) text = child->get_nodeValue();
在遞迴巡覽時,我們通常無法預先知道某個 Node 的類型。若想判斷它是 Element、TextNode 或其他類型,可以透過 IXMLDOMNode::nodeType 取得,這是一個列舉型別,取值如下(由此也可見,上面那段 XML 並未涵蓋 XML 的所有要素):
NODE_ELEMENT (1) NODE_ATTRIBUTE (2) NODE_TEXT (3) NODE_CDATA_SECTION (4) NODE_ENTITY_REFERENCE (5) NODE_ENTITY (6) NODE_PROCESSING_INSTRUCTION (7) NODE_COMMENT (8) NODE_DOCUMENT (9) NODE_DOCUMENT_TYPE (10) NODE_DOCUMENT_FRAGMENT (11) NODE_NOTATION (12)
有了這些基礎,我們便能逐一釐清「XML 檔處理」中曾出現的幾個問題。
問題一:如何透過路徑找到較深層的節點
本文前面用遞迴函式來實作這個功能,其實完全是多此一舉。DOM 模型本身提供的 IXMLDOMNode::SelectSingleNode 與 IXMLDOMNode::SelectNodes(XPath)已能更完美地達成目的。以下簡述 SelectSingleNode 的用法(msdom 為 IXMLDOMDocument 的執行個體):
MSXML::IXMLDOMNodePtr parent, child;
parent = msdom->documentElement;
//child 為 code1 類型的 Element
child = parent->selectSingleNode("/code1");
//child 為 code1 的 id 類型 Attribute
child = parent->selectSingleNode("/code1@id");
//child 為名為 code1 且 Attribute id='text' 的那個 Element
child = parent->selectSingleNode("/code1[id='text']");
更高階的用法屬於 XPath 的範疇,留待日後深入研究。
問題二:C++ Builder 6 的 TXMLDocument 並非單純對 MSXML 的封裝
為了在 C++ Builder 5 下封裝出類似控制項,我查閱了一些資料,發現 MSXML、OpenXML 等 DOM 解析器其實採用同一套介面(希望我沒弄錯),只是內部實作各異。TXMLDocument 可透過設定 Vendor 選用不同的解析器,但在 C++Builder 中的使用方法卻完全一致。預設似乎採用 MSXML 解析;比較各方案:MSXML 需在客戶端註冊較新的 msxml.dll 類庫,SAX 需附帶較大的 dll,OpenXML 則因直接使用 .pas 檔編譯而直接生成進可執行檔。
問題三:遍歷 NodeList 的簡化寫法
先前遍歷 NodeList 時用了 IEnum 介面,多少有殺雞用牛刀之嫌。現在可以改用更直白的迴圈:
for (int i = 0; i < nodelist->get_length(); i++)
{
child = nodelist->get_item((long)i);
name = child->get_nodeName();
}
由於當初不清楚 Node 與 Element 之間的關係,我曾胡乱執行下面這行轉換,結果轉出的 element == NULL,便誤以為此路不通:
IXMLDOMElementPtr element = (IXMLDOMNodePtr)node;
至於後段補充的 appendChild 操作,把 createElement 產生的 Element 直接轉成 Node 再 appendChild——這其實是最基礎的 C++ 知識,關鍵在於看清 MSXML 的 COM 實作中也運用了這類 C++ 技巧。
接著來看如何在 C++ Builder 5 中,於沒有 TXMLDocument 控制項的情況下使用 MSXML 類庫。
最初想到的是用 import 語句:
#import "C:\Windows\System32\MSXML.DLL" named_guids
然而 import 進來雖能產生 tlb 與 tlh 檔,編譯時卻總通不過,時常提示缺少某些東西或有函式未能導出(順帶一提,可以在 VC++ 中 import,再把產生的 tlb 與 tlh 複製到 C++Builder 專案)。於是改用 C++ Builder 自帶的 TVariant 類別來進行 COM 執行個體化,呼叫函式與屬性(OleFunction、OlePropertyGet、OlePropertySet)。例如:
TVariant varMSDOM = CreateOleObject("MSXML.DOMDocument");
varMSDOM.OleFunction(L"load", L"c:\tmp.xml");
TVariant varDoc = varMSDOM.OlePropertyGet("documentElement");
直覺上,這種呼叫方式會比 import 來得慢:import 是直接透過虛擬函式表查找函式指標來呼叫;而 OleFunction 這些則是透過 IDispatch 介面的 invoke 函式間接呼叫,且無法呼叫 import 進來的 name_guids 函式,如 get_nodeName(BSTR *)。無論如何,透過 TVariant 大致仍能滿足函式呼叫的需求。
後來我偶然發現 C++ Builder 的 Project 選單有個「Import From Type Library」功能,也試了一試。tlb 與 tlh 檔都成功產生,加入專案編譯也能通過,只是 tlh 中的定義與呼叫方式和 VC 中 import 進來的略有不同:
1. VC 中的執行個體化直接用智慧指標,例如:
MSXML::IXMLDOMDocumentPtr msdom; msdom.CreateInstance(__uuidof(MSXML::DOMDocument));
C++Builder 中的執行個體化,則透過另一個由編譯器封裝的物件來完成:
TComIXMLDOMDocument i_XMLdocument = CoDOMDocument::Create(); IXMLDOMDocumentPtr msdom = (IXMLDOMDocumentPtr) i_XMLdocument;
TCOMIXMLDOMDocument 的定義可在 MSXML2_TLB.h 中找到:
typedef TComInterface<IXMLDOMDOCUMENT> TCOMIXMLDOMDocument;
2. C++Builder 中同樣有 IXMLDOMDocumentPtr msdom,但這個指標不能直接用來判斷是否等於 NULL,編譯器會報錯,須改寫為:
if ((IXMLDOMDocument *)msdom == NULL)
以上在 C++Builder 下使用 MSXML 的經驗,推廣到其他類型 COM 的自動化(automation),相信也不會有太大問題。