html笔记_2_浏览器渲染过程

浏览器渲染

从 HTML 到 DOM
  1. 浏览器通过请求获取页面 字节流, 对字节流进行解码成字符流

  2. 输入流预处理,将字符转换成统一格式,例如对\n进行处理,最终生成规范化的字符流数据

  3. 令牌化,将字符数据转换成令牌(Token),同时解析 HTML 生成 DON 树

    • 令牌化

      每次接收一个或多个字符,同时更具当前状态和字符来更新下一个状态,不同状态相同数据可能产生不同结果

      • 补充:如果遇到 script 标签,如果是内联代码,直接交给 Js 脚本引擎,等待 Js 指向完成后再启用渲染引擎继续解析,如果脚本内容中调用了改变 DOM 结构的函数,如 document.write() 时,渲染引擎会回到第二步,将代码加入字符流,重新进行解析,如果是外链则会根据标签属性进行操作,如asyncdefer等等
  4. 构建 DOM 树

    • 浏览器在渲染解析的同时会创建一个 Document 对象,Document 对象会作为根节点,被不断的进行修改和扩充,标记步骤产生的令牌会被送到树构建器,HTML5 标准中定义了每种令牌对应的 DOM 元素,树构建器会根据不同的令牌对 DOM 树进行处理
    • 为了纠正元素嵌套错误,可能存在未关闭的标签,树构建器创建新的 DOM 元素还会被插入到一个开放的元素栈中
    • 补充:CSSCSSOMcss 解析过程很 html 解析过程一致,最终也会生成 树状结构

CSSOM树的结点具有继承属性,子节点会先继承父节点属性,再进行覆盖

完整的 CSSOM 树,包括浏览器默认的样式

从 DOM 到渲染
  1. 构建渲染树

    • DOM 树包含的结构和内容与 CSSOM 树包含的样式规则都是独立的,为了方便渲染,先要将两者合并成一棵渲染树
    • 从 DOM 树根节点开始遍历,在 CSSOM 树找到对应节点的样式
    • 遍历过 程中忽略不需要渲染的节点,如脚本标记,以及不可见节点,display:none 同时将一些需要渲染的伪类加入到渲染树内
  2. 布局

    • 布局就是计算元素的大小和位置
    • 计算布局是一个复杂的操作,不同的因素会影响到元素的生成,生成的元素也会影响下一元素的生成
    • 布局完成后会输出对应的 盒模型 会将相对值转换成实际像素值
  3. 绘制

    • 绘制就是将渲染树中的每个节点转换成屏幕上实际像素的过程
    • 注意,如果没有弄清楚绘制的顺序,那么可能会导致页面错误渲染
    • 绘制过程的第一步就是遍历布局输入,生成绘制记录,让后渲染引擎根据绘制记录去渲染
    • 对于无动画效果的情况,只需考虑空间维度,生成不同的图层,然后将图层进行合成,形成最终页面
    • 绘制过程不是一成不变的
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值