html解析器工作原理
先看一个简单的html文档
[html]
test1. 首先用一个类来描述一个节点
[java]
public class Node{
private String nodeName;
private int nodeType;
private Map attributes;
private List childNodes;
private Node parent;
// getter & setter
...
}
然后我们开始对输入内容进行解析,解析的过程其实就是解析字符串的过程,为了便于解析先把源字符串封装成一个HtmlStream对象.
[java]
String source = IO.read(new File("test.html"), "UTF-8");
HtmlStream stream = new HtmlStream(source);
char c;
int i = 0;
// 忽略掉文档开头的空格
while((i == stream.read()) != -1)
{
if(i != ' ')
{
// 回退一个字符
stream.back();
break;
}
}
Stack stack = new Stack();
StringBuilder buffer = new StringBuilder();
// 为了便于程序阅读,先分成两部分
// 第一部分解析节点,通过startTag来完成
// 第二部分读取文本内容,遇到
while((i == stream.read()) != -1)
{
if(i == '
this.startTag();
}
else if{
buffer.append((char)i);
while((i == stream.read()) != -1)
{
if(i == '
{
stream.back();
break;
}
buffer.append((char)i);
}
this.pushTextNode(stack, buffer.toString());
buffer.setLength(0);
}
}
再来看startTag
[java]
public void startTag(Stack stack)
{
int i = this.stream.peek();
if(i == '/')
{
String nodeName = this.readNodeName();
this.endTag(stack, nodeName);
}
else if(i == '!')
{
// 注释...
}
else
{
String nodeName = this.readNodeName();
if(nodeName.length > 0)
{
Node node = new Node(nodeName);
this.readAttributes(node.getAttributes());
this.pushNode(stack, node);
}
else
{
this.pushTextNode(stack, "
}
}
}
// 当标签结束时
public void endTag(Stack stack, String nodeName){
Node node = stack.peek();
if(node == null)
{
// 读取到>, 并写入文本节点, 略去
this.pushTextNode(stack, "
return;
}
if(node.getNodeName().equalsIgnoreCase(nodeName))
{
stack.pop();
// 其他处理...
}
}
先说一下栈的结构, 这个是html解析中一个很重要的东西.
当我们用Node这个类来描述一个节点的时候,很容易把一个树形结构的数据串起来, 只需要建立父子关系即可。
但是当解析一个html文件的时候,怎么把读取到的一个结束节点跟之前读取的n个开始节点中的某一对应呢?
为了简单的说明这个问题,可以用类json格式的数据来表示一下:
var array = []; // 定义一个数组
现在假设这个数组里面有4个节点,它描述了下面的一个html片段
test现在整个数组是这样:
[{node: html}, {node: head}, {node: title}, {text: test}, {node: /title}, {node: /head}, {node: body}, {node: /body}, {node: /html}]
这样看起来它其实跟原始的数据没什么区别,只不过变了中描述方式。
现在我们用一个指针指向这个数组的末端, 并且始终指向末端, 就变成了一种栈结构. 当某一个节点结束时,取指针位置的元素,正常情况下,这个元素一定是这个结束节点对应的开始节点.
如果结束节点的节点名跟指针位置对应的节点的节点名不一致,那就说明某一个节点没有正确闭合, 这个时候需要一些容错处理, 如果是xml解析直接抛异常即可.
现在详细的描述一下这个步骤:
先解析第一个节点, 这个节点是, 并且是开始节点, 把它压入栈, 现在的栈中的数组元素应该是这样的:
[{node: html}]
只有一个节点,指针指向0
然后是第二个节点, 它也是一个开始节点,因此也压入栈, 现在的栈中的数组元素应该是这样的:
[{node: html}, {node: head}]
依次类推, 直到遇到文本节点和结束节点, 当遇到文本节点的时候, 栈中的元素如下:
[{node: html}, {node: head}, {node: title}]
现在处理下一个,发现是个文本节点, 节点内容是: test, 先从栈顶弹出一个节点,如果是文本节点,直接把该文本追加,如果是元素节点
[java] 补充:web前端 , HTML/CSS ,