limodou大侠请进

tikico

上次问过您的那个字符串问题，见到真实资料了，发现情况没有我问您那么简单，所以我决定从html处理，中间有个问题还得麻烦您：
原文件：

1. 
   
2. <p>【哀荣】<span lang=EN-US> āiróng 〈书 <i>fml.</i>〉指死后的荣誉posthumous honour</span></p>
   
3. <p>【哀求】<span lang=EN-US> āiqiú 哀告请求entreat; implore：～饶命plead for mercy|苦苦～implore piteously</span></p>
   
4. <p>【挨边】<span lang=EN-US> āi∥biān (～儿 āｉ∥ｂｉāｎｒ) <ultr>a34d</ultr> 靠着边缘keep close to the edge：上了大路，要挨着边儿走。Keep close to the side when walking on the road. <ultr>a34e</ultr> 接近(某数，多指年龄) be near; be close to (a figure, usu. age)：我六十～儿了。I'm getting on sixty. <ultr>a34f</ultr> 接近事实或事物应有的样子be close to the truth of sth.; be relevant：你说的一点也不～儿! What you have said is totally irrelevant.</span></p>
   

复制代码

     上次您写的那个程序，处理拼音是把所有汉语拼音写在一个列表，可真实的情况是：文件的汉语拼音并不标准，里面夹杂着英文字母，所以这个方法似乎不行，拼音开始已基本确定，我想从拼音结束的位置找规律，大致就上面几种情况，要么是' 〈'或者括号等，要么就是汉字，但是我不知道怎么去区分汉字，因为其中的汉语拼音也有双字节的。不知道有什么办法没有，谢谢了！

limodou

我觉得你所说的情况很复杂，这其实与python无关，而是一个算法的问题。比如你举的第三个例子：

1. 
   
2. <p>【挨边】<span lang=EN-US> āi∥biān (～儿 āｉ∥ｂｉāｎｒ) <ultr>a34d</ultr>
   

复制代码

拼音后面还有拼音，这怎么区分。我想首先要确定算法，把所有的情况都考虑到。然后才能去写程序。

sunable

我对limodou提另一个问题.
看了你的《[Python学习]使用minidom来处理XML的示例(二)--XML的写入》后，有一处不明白。

1. 
   
2. 1       >>> import xml.dom.minidom
   
3. 2       >>> impl = xml.dom.minidom.getDOMImplementation()
   
4. 3       >>> dom = impl.createDocument(None, 'catalog', None)
   
5. 4       >>> root = dom.documentElement
   
6. 5       >>> text = unicode('汉字示例', 'cp936')
   
7. 6       >>> item = makeEasyTag(dom, 'item', text)
   
8. 7       >>> root.appendChild(item)
   
9. 8       <DOM Element: item at 0xb9ceb8>
   
10. 9       >>> root.toxml()
    
11. 10      u'<catalog><item>\u6c49\u5b57\u793a\u4f8b</item></catalog>'
    
12. 11      >>> f=file('d:/test.xml', 'w')
    
13. 12      >>> import codecs
    
14. 13      >>> writer = codecs.lookup('utf-8')[3](f)
    
15. 14      >>> dom.writexml(writer, encoding='utf-8')
    
16. 15      >>> writer.close()
    

复制代码

请问这颗XML在写入文件后，是否一直存在内存里？如果是，如何从内存清除掉？

limodou

不用的对象可以使用 v=None 或 del 来去掉它的引用计数。python会自动回收。一般小程序结束后自动就回收了，可以不用管它。

tikico

limodou大侠:前面的数据我已基本格式化了,现在有个问题:

1. 
   
2. 1.用电报陈述(事由) state via telegraph：谈判一有结果，迅即～。Report the result of the negotiation via telegraph as soon as it's out.
   
3. 2〈方 <i>dial.</i>〉汽艇motorboat
   
4. 3.(～儿ｄｉàｎｄēｎɡｐàｏｒ)白炽电灯上用的发光器件，一般呈梨形electric (light) bulb, usu. shaped like a pear;
   

复制代码

现在我想在里面的英文加上标记:

1. 
   
2. 1.用电报陈述(事由) <eng>state via telegraph</eng>：谈判一有结果，迅即～。Report the result of the negotiation via telegraph as soon as it's out.
   
3. 2〈方 <i>dial.</i>〉汽艇<eng>motorboat</eng>
   
4. 3.(～儿ｄｉàｎｄēｎɡｐàｏｒ)白炽电灯上用的发光器件，一般呈梨形<eng>electric (light) bulb, usu. shaped like a pear;</eng>
   

复制代码

但其中()、〈〉、<>里面的英文不要加,该怎么做比较好？谢谢!

[ 本帖最后由 tikico 于 2006-3-24 16:50 编辑 ]

limodou

因为(),<>都是成对出现，因此可以象处理[]一样，读到一个(,<就一直读，直到遇到),>结束即可。

tikico

原帖由 limodou 于 2006-3-24 19:22 发表
因为(),<>都是成对出现，因此可以象处理[]一样，读到一个(,<就一直读，直到遇到),>结束即可。

有个全角的〈〉也是特殊情况，于是我这样做的：

1. 
   
2.           #全角的〈是双字节的，第一个字节是161，第二个是180
   
3.             if ord(temp[m])==161 and ord(temp[m+1])== 180 and lw4_flag == 0:
   
4.                 lw4_flag = 1
   
5.                 buf.append('〈')  # 或者buf.append(temp[m:m+1])结果一样
   
6.                 m += 2
   

复制代码

可结果出现了乱码，由于不是用Unicode，所以只能这样子。
原文这样子：

1. 
   
2. āｎ 〈书 <i>fml.</i>〉〈疑问代词 <i>interrog.pron.</i>〉
   

复制代码

执行后变成了

1. 
   
2. āｎ </py><chi>词?<i>fml.</i>〉銆堃晌蚀??<i>interrog.pron.</i>銆?
   

复制代码

应该是字节错位了，但是是哪里呢？

limodou

看不了什么问题，加些调试信息看一看吧。