HTML转PDF之HTML解析
开始想先写PDF的内容显示，但是发现大家对HTML的解析更为感兴趣，所以我先写HTML的解析。
HTML的解析，很多人都会想着用IHTMLDocument这个内置对象来完成，但是我始终觉得这个是在COM的基础上来.NET，感觉不是很爽，同时它并不能完全满足我的要求，所以我自己实现这一过程。这个过程也许很多人认为是个很大的工程量，但是事实上，经过仔细的分析，并没有想象的那么复杂。最后我只用了三四个小时，三四百行的C#代码就实现了。
从功能上，我把HTML的解析分成了结构解析，和显示的外观解析，外观解析这个把它和PDF的生成放到一起，因为他们的关系很密切这里先说结构解析。从宏观上来看，HTML也是一种很类似于XML的一种格式，只是相对来说它的容错性上要好很多。所以HTML的解析事实上很容易就转化成了写一个有容错性的XML解析器。
HTML解析后的结构可以有多种，我比较喜欢DOM模型，所以我把他们往DOM模型方向去解析。熟悉HTML的人都知道，一个HTML标签可以分解成为以：一个标签名，若干个属性，具体的文本内容 这样的一种形式。所以抛开显示的因素去想，这时候整个HTML用这个模型就可以很容易地解析了个大概了，剩下的没有处理的就是style标签和style属性，还有外挂的样式文件。估计写得大家会比较晕，下面就来看我具体的解析过程。
首先是解析生成HTML节点树。在OO出现之前，描述节点树的数据结构还是比较复杂的，感觉要用个二维的树形结构，因为每个节点里会含多个属性，同时也会含有多个子节点，但是有了OO，很简单了，放两个ArrayList一个里面放属性对象，另一个放子节点。为了处理方便，我先用正则把里面的script块和注释块给替换掉了。下面的解析中，就是根据起始标签的<,>号去分解。至于容错，开始想是用迭代法来实现，也就是在前面找到一个标签后，到后面去找反标签，但是后来发现要处理的异常情况太多了，所以就放弃了。而使用堆栈的形式。每找到一个正标签，就把把它压栈，当找到一个封闭的标签的时候，就把它出栈，当然不能和栈顶的标签来匹配的时候，就会往下找，直到找到为止。事实上这个压栈的顺序就含着包含的关系，所以生成这个树的过程很容易就完成了。
其次就是属性的解析，因为HTML的高容错性，所以属性有多种情况，有单独的一个单词做属性如：checked,selected,readonly等，还有A=BA=“B” A=‘B’ 这三种形式，为了容易解析，这里用了一个正则来实现，为了方便大家的使用，就把它写出来了：((\\w+)=((\"[^\"]*\")|('[^']*')|([^\"^' ]+)))|readonly|checked|selected。对匹配后的结果进行分析，这样就完成了大部分的属性的解析。当然这里面还有一个STYLE块的解析的问题还没有解决，不过相对来说也不难，就是根据属性值里面的;号进行分割，然后再按:号来取样式的名称和值。
这样一个HTML解析过程基本上就完成了。
下一次我将写PDF的内容显示，也就是PostScript。
HTML的解析，很多人都会想着用IHTMLDocument这个内置对象来完成，但是我始终觉得这个是在COM的基础上来.NET，感觉不是很爽，同时它并不能完全满足我的要求，所以我自己实现这一过程。这个过程也许很多人认为是个很大的工程量，但是事实上，经过仔细的分析，并没有想象的那么复杂。最后我只用了三四个小时，三四百行的C#代码就实现了。
从功能上，我把HTML的解析分成了结构解析，和显示的外观解析，外观解析这个把它和PDF的生成放到一起，因为他们的关系很密切这里先说结构解析。从宏观上来看，HTML也是一种很类似于XML的一种格式，只是相对来说它的容错性上要好很多。所以HTML的解析事实上很容易就转化成了写一个有容错性的XML解析器。
HTML解析后的结构可以有多种，我比较喜欢DOM模型，所以我把他们往DOM模型方向去解析。熟悉HTML的人都知道，一个HTML标签可以分解成为以：一个标签名，若干个属性，具体的文本内容 这样的一种形式。所以抛开显示的因素去想，这时候整个HTML用这个模型就可以很容易地解析了个大概了，剩下的没有处理的就是style标签和style属性，还有外挂的样式文件。估计写得大家会比较晕，下面就来看我具体的解析过程。
首先是解析生成HTML节点树。在OO出现之前，描述节点树的数据结构还是比较复杂的，感觉要用个二维的树形结构，因为每个节点里会含多个属性，同时也会含有多个子节点，但是有了OO，很简单了，放两个ArrayList一个里面放属性对象，另一个放子节点。为了处理方便，我先用正则把里面的script块和注释块给替换掉了。下面的解析中，就是根据起始标签的<,>号去分解。至于容错，开始想是用迭代法来实现，也就是在前面找到一个标签后，到后面去找反标签，但是后来发现要处理的异常情况太多了，所以就放弃了。而使用堆栈的形式。每找到一个正标签，就把把它压栈，当找到一个封闭的标签的时候，就把它出栈，当然不能和栈顶的标签来匹配的时候，就会往下找，直到找到为止。事实上这个压栈的顺序就含着包含的关系，所以生成这个树的过程很容易就完成了。
其次就是属性的解析，因为HTML的高容错性，所以属性有多种情况，有单独的一个单词做属性如：checked,selected,readonly等，还有A=BA=“B” A=‘B’ 这三种形式，为了容易解析，这里用了一个正则来实现，为了方便大家的使用，就把它写出来了：((\\w+)=((\"[^\"]*\")|('[^']*')|([^\"^' ]+)))|readonly|checked|selected。对匹配后的结果进行分析，这样就完成了大部分的属性的解析。当然这里面还有一个STYLE块的解析的问题还没有解决，不过相对来说也不难，就是根据属性值里面的;号进行分割，然后再按:号来取样式的名称和值。
这样一个HTML解析过程基本上就完成了。
下一次我将写PDF的内容显示，也就是PostScript。
