2019独角兽企业重金招聘Python工程师标准>>> 
第七章、epub文件处理 — 解析 .xhtml文件 （一）
本章将介绍代码如何利用ZLTextPlainModel类来分别处理.xhtml文件中的文本信息与标签信息。
本章涉及的核心类是ZLTextPlainModel类、ZLTextWritablePlainModel类、CachedCharStorage类、XHTMLTagAction接口实现类
.xhtml文件中包含着两种信息：文本信息与标签信息。我们需要先正确解析出标签信息代表的结构，才能正确得将文本信息显示在屏幕上。
举个例子：（这个例子是三体1中的文本）
我们需要让程序知道这里有四种标签（h1标签、h2标签、b标签、p标签），每种标签代表了不同的格式。程序必须正确显示出不同标签的格式，才能让用户看到正常的文本信息。
在正式开始介绍对.xhtml文件中的文本信息与标签信息的处理流程之前，我们有必要先来介绍下流程中涉及的三个核心类：ZLTextWritablePlainModel类、CachedCharStorage类、XHTMLTagAction接口实现类
ZLTextWritablePlainModel类：
ZLTextWritablePlainModel类是ZLTextPlainModel类的子类，这个类中有三个int数组与一个CachedCharStorage类。
myStartEntryIndices属性指向的int数组记录了每个段落具体在CachedCharStorage类内部的哪一个char数组里面；
myStartEntryOffsets属性指向的int数组记录了每个段落从CachedCharStorage类内部char数组的哪个位置开始；
myParagraphLengths属性指向的int数组记录每个段落在CachedCharStorage类内部char数组中占据多少长度；
最后，myStorage属性指向的CachedCharStorage类内部的char数组则是实际存储文本信息与标签信息的地方
PS：FBReader程序中一组p标签就代表一个段落（Paragraph）。
CachedCharStorage类：
这个类中有两个重要的属性：myArray属性、myBlockSize属性
myArray属性指向一个由char数组组成的ArrayList（char数组都设定为软引用WeakReference，保证了虚拟机会回收这些char数组，不会占用过多的内存）。这些char数组里面的元素就代表这.xhtml的文本信息与标签信息。
myBlockSize属性指向一个int。char数组的长度最长不会超过这个长度（65536），一旦超过这个长度，代码就会新建一个char数组，同时就的数组会被持久化以便以后再用。
XHTMLTagAction接口实现类：
epub文件中有很多标签，不同的标签代表不同的不同的结构，所以FBReader也为不同的标签提供了不同的处理类。这些处理类都是XHTMLTagAction接口的实现类。
标签一般都是成对出现的，XHTMLTagAction接口中的两个方法分别就对应了
具体哪些类对应哪些标签，是由XHTMLReader类中fillTagTable方法定义的。
介绍完三个核心类，我们就可以正式开始介绍对.xhtml文件中的文本信息与标签信息的处理流程了。
我们先以处理一个标签对（包含起始标签和结束标签）的流程为例。在利用for循环迭代标签对转换成的char数组的过程中ZLXMLParser类的doIt方法会对以下的节点调用XHTMLReader类进行操作
起始标签右边的“<”：
记录char数组的偏移量，调用ZLXMLReader接口characterDataHandlerFinal方法（XHTMLReader类并未实现该方法，故可以忽略）
起始标签右边的“>”：
记录char数组的偏移量，取出两次偏移量当中的内容，得到当前标签的标签名。
ZLXMLParser类的processStartTag方法 -> XHTMLReader类的startElementHandler方法 -> XHTMLTagParagraphWithControlAction类的doAtStart方法
结束标签左边的“<”：
记录char数组的偏移量，取出两次偏移量当中的内容，得到标签当中的文本信息
XHTMLReader类的characterDataHandler方法 -> BookReader类的addData方法
将标签当中的文本信息存储到BookReader类的myTextBuffer属性
结束标签右边的“>”：
ZLXMLParser类的processEndTag方法 -> XHTMLReader类的endElementHandler方法 -> 标签名对应XHTMLTagAction接口实现类的doAtEnd方法
将BookReader类中的myTextBuffer属性
下面我们再以《三体1》中的一段文本作为例子来详细介绍下这个流程：
H1标签处理流程
起始标签右边的“<”：
记录char数组的偏移量
起始标签右边的“>”：
记录char数组的偏移量，取出两次偏移量当中的内容，得到当前标签的标签名。
ZLXMLParser类的processStartTag方法 -> XHTMLReader类的startElementHandler方法 -> XHTMLTagParagraphWithControlAction类的doAtStart方法
doAtStart方法
doAtStart方法会调用了两个方法BookReader类的pushKind方法与beginParagraph方法
BookReader类的pushKind方法：
这个方法会在myKindStack属性中添加FBTextKind.H1（31），而其实myKindStack属性中已经有FBTextKind.REGULAR（0），这个属性是在OEBBookReader类的readBook方法中设置的。
BookReader类的beginParagraph方法
这个方法调用了ZLTextWritablePlainModel类的createParagraph方法，然后用for循环迭代myKindStack属性并调用ZLTextWritablePlainModel类的addControl方法
createParagraph方法更新了ZLTextWritablePlainModel类中的三个属性，以后会依靠这三个属性在CachedCharStorage类的char数组中快速定位某一个段落
addControl方法往CachedCharStorage类中的char数组加入了两个可以代表标签的常量
PS：每次调用addControl方法都会加入ZLTextParagraph.Entry.CONTROL（3）这个常量，这个常量是一种标示。类似的标示还有常量ZLTextParagraph.Entry.TEXT（1），我们会在下一章用到这两种变量。具体这两个标示是如何发挥作用的，请参考第十章中的内容。
结束标签左边的“<”：
记录char数组的偏移量，取出两次偏移量当中的内容，得到标签当中的文本信息
XHTMLReader类的characterDataHandler方法，将标签当中的文本信息存储到myTextBuffer属性
结束标签右边的“>”：
ZLXMLParser类的processEndTag方法 -> XHTMLReader类的endElementHandler方法 -> XHTMLTagParagraphWithControlAction类的doAtEnd方法
doAtEnd方法会调用ZLTextWritablePlainModel类的addText方法，在CachedCharStorage类中的char数组中加入三种信息：
1、常量ZLTextParagraph.Entry.TEXT（1），这是一种标示，类似常量ZLTextParagraph.Entry.CONTROL（3）
2、标签间文本信息的长度
3、标签间的实际文本信息
H2标签、P标签与H1标签基本上是一样，唯一的区别在于在起始标签右边的“>”触发的addControl方法中加入不同的常量，而这个变量其实是在FBTextKind接口中定义的。
H2标签会加入FBTextKind.REGULAR（0）以及FBTextKind.H2（32），P标签则只会加入FBTextKind.REGULAR（0）。每次加入这些常量的时候都会同时加入作为标示的常量ZLTextParagraph.Entry.TEXT（1）。
B标签与其他三个标签不同，这个标签会触发两次addControl方法，只是两次的参数不同。
CachedCharStorage类中新增char数组
这里需要补充下CachedCharStorage类中新增char数组的流程，我们在介绍CachedCharStorage类的时候，曾经讲过：“BookModel类中的myBlockSize属性指向一个int。char数组的长度最长不会超过这个int（65536），一旦超过这个长度，代码就会新建一个char数组，同时就的数组会被持久化以便以后再用。”
新增char数组的工作由CachedCharStorage的createNewBlock方法完成
将旧的char数组持久化的工作是在CachedCharStorage类的freezeLastBlock方法完成的。
在sd卡上的Books/.FBReader这个文件夹里面，我们可以找到这些持久化了的文件。
这个位置是在BookModel的构建函数中用过Paths类获得的。
其实我们可以尝试把持久化char数组的方法改为utf8的编码，然后在把得到的文件后缀名改成.txt
打开这个txt文件，我们就可以看到下面这样的数据
对比原先的xml文件，那些奇怪的符号就代表了标签信息
好，至此为止，我们将.xhtml文件中的文本信息与标签信息存储到了ZLTextPlainModel中。而要想让程序最终用中正确的格式显示文本信息，还需要配合之后第八章（定位指定段落）以及第九章（显示.html文件）的内容才能让用户看到格式正确的文本。
题外话
最后，插几句题外话，写一些自己的思考：
FBReader使用char数组的形式来存储xml文件内容与结构信息，然后依靠记录每个段落在char数组中具体位置的int数组快速获取指定段落在char数组中的部分。选择数组是ok的，在数组中定位到某一个部分，速度还是比较快的，但是同时，也因为使用了数组这个数据结构，程序也是相对来说比较占用内存的。一般来说，电子书都是从一整段数据中按顺序取出一部分数据显示在屏幕上，这种业务需求其实用树的数据结构也是非常合适的。而说到树的数据结构，其实Android手机中正好有一个现成的sqlite数据库可以提供这种树的数据结构。我们可以试想一下，如果改用sqlite数据库来存储和检索xml文件的内容与结构信息的话，相比数组会有怎样的好处。我想最起码会有三个好处：第一、节省手机的内存，sqlite数据库做好索引之后，无需像数组那样把数据全部装进内存后才能检索。这样一来，程序就节省了内存；二、方便跨平台的开发，sqlite支持linux、IOS以及HTML5，如果使用sqlite来作为存储和检索xml文件的方式，那么Android程序员、IOS程序员以及pc前端程序员只需要根据约定的sql语句就能完成开发，而不必独立开发三种语言，或者用c或c++另外再开发一个底层库；三、方便与服务器端对接，当需要对客户端用户的阅读记录进行收集与分析的时候，如果客户端与服务端使用同一种或相近的sql结构的话，那么对接的难度就会降低很多。
转载于:https://my.oschina.net/u/938986/blog/335919
创作打卡挑战赛
赢取流量/现金/CSDN周边激励大奖