因为真正的数据的处理是由DocumentParser::appendBytes以及DocumentParser::finish后续调用来完成,所以咱们重点关注这两块
数据接收和解码
TextResourceDecoder
TextResourceDecoder::decode()
该函数中有个重要的操作是把收到的字符串转存到TextResourceDecoder:: m_buffer中。
这里先调用了TextResourceDecoder::checkForHeadCharset,该函数是个检查HTML头信息中是否有编码的信息,一般HTML的页面中如果指定了编码信息,那么编码信息会放在<head>标签中。该函数就是做这样的检查的。
每次新收到的字符串数据都会追加到这个TextResourceDecoder:: m_buffer中,用于TextResourceDecoder的处理。
之后会创建一个HTMLMetaCharsetParser,并赋值给TextResourceDecoder::m_charsetParser通过HTMLMetaCharsetParser::checkForMetaCharset方法来执行对编码的检测,如果检测到,则把获取到的编码TextEncoding类型设置给TextResourceDecoder。
在TextResourceDecoder中有成员TextEncoding m_encoding;和EncodingSource m_source;分别记录了Encodeing具体的类型和来源。
TextResourceDecoder中有成员OwnPtr<TextCodec>m_codec;它是负责真正的解码操作的,通过TextCodec:: decode进行解码,把TextResourceDecoder::m_buffer的数据传入,解码后会得到一个String类型的数据
DecodedDataDocumentParser
DecodedDataDocumentParser::appendBytes()
通过传入参数DocumentWriter 和 char* 调用writer->createDecoderIfNeeded()->decode 将网络数据转码,最后调用append
HTMLDocumentParser
HTMLDocumentParser::append
在DecodedDataDocumentParser::appendBytes中,当执行TextResourceDecoder::decode得到数据后,会执行append操作。该函数在HTMLDocumentParser中有实现,所以这里调用的是HTMLDocumentParser::append。并把解码后的String作为参数传入。在HTMLDocumentParser中有成员HTMLInputStream m_input;此处,把参数传入的String数据追加到HTMLDocumentParser::m_input,这样HTMLDocumentParser中已经保存了解码后的字符串了。
DocumentWriter
DocumentWriter::createDecoderIfNeed()
如果m_decoder为空,则创建一个实例,如果非空,则直接返回。
创建时会传入MimeType,TextEncoding等信息。创建的TextResourceDecoder会赋值给DocumentWriter::m_decoder。之后又做了些设置Encoding的操作。
再之后把这个新创建的TextResourceDecoder又设置给了Document(通过Frame找到Document)。看下Document的成员,也有一个RefPtr<TextResourceDecoder> m_decoder;这里把新创建的TextResourceDecoder又赋值给了Document::decoder。最后将创建的TextResourceDecoder返回,
DocumentWriter::begin()
//创建Document对象,创建DocumentParser对象
DocumentWriter::addData()
DocumentWriter::end()
解码过程已经完毕,我们又处于HTMLDocumentParser中,并且已经保存了解码后的输入数据
解析
前提:令牌(token)通常代表关键字、变量名、字符串、直接量和大括号等 语法标点。token:令牌,tokenize:令牌化,tokenizer:令牌解析器。
有效的词是token,这个过程是tokenizing,处理这个过程的工具是tokenizer。
调用 HTMLDocumentParser finish();
调用 HTMLDocumentParser attemptToEnd();
调用 HTMLDocumentParser prepareToStopParsing();
调用 HTMLDocumentParser pumpTokenizerIfPossible();
调用 HTMLDocumentParser pumpTokenizer();
//真正页面元素解析的地方,这里首先创建了一个PumpSession。
然后while循环,通过检查PumpSession的情况不停向下查找token来迭代所有元素进行解析,查到的token通过HTMLTokenizer nextToken
调用 HTMLTreeBuilder constructTreeFromToken();
//先利用参数传入的HTMLToken创建一个AtomicHTMLToken。这个AtomicHTMLToken跟HTMLToken成员非常类似,只是HTMLToken中一些信息如m_data,m_attributes中存的都是该信息在输入流数据中的范围(起始位置和终止位置),而在AtomicHTMLToken中存的都是跟输入流数据无关的数据类型了,并且根据HTMLToken把一些数据转换成有具体含义的成员,比如类型是StartTag,那么它的m_data就转换成AtomicHTMLToken:: m_name的值,即HTMLToken::m_data在该类型下是标签名称的含义。
在转换完AtomicHTMLToken后会做这样的判断,如果参数HTMLToken的类型不是Character则对其做clear操作即重置其成员
调用 HTMLTreeBuilder::constructTreeFromAtomicToken();
//该函数通过HTMLTreeBuilder::processToken来处理AtomicHTMLToken。
调用 HTMLTreeBuilder processToken();
//该函数对每种类型的AtomicHTMLToken做不同的分发处理。根据AtomicHTMLToken的类型,做转发处理,即调用相应的processXXX函数来处理与之对应的类型的AtomicHTMLToken,如当前是StartTag,则进入HTMLTreeBuilder ::processStartTag。
HTMLTreeBuilder中有成员InsertionMode m_insertionMode;这个模式是保存当前插入模式,插入模式是什么.他其实还是实现一个有穷自动状态机,他根据输入的Token,来转换自身的状态,在状态转换函数中完成对Token的语法分析。在执行了状态转换后,开始利用Token进行DOM的构建时,调用了HTMLConstructionSite::insertHTMLXXX函数。
在HTMLTreeBuilder中有成员HTMLConstructionSite m_tree; HTMLTreeBuilder实际上完成的是对Token的识别,状态机的维护。根据传入的Token来运转状态机,通过状态机的转换函数,来找到需要执行哪种节点的创建,具体的节点的创建则是通过HTMLConstructionSite来完成的
如果当前的Token类型是StartTag,通过类型的识别,进入HTMLTreeBuilder::processStartTag的处理。通过状态机的处理,使得状态机的状态变成BeforeHTMLMode,在该状态下对StartTag类型的Token处理,就是执行HTMLConstructionSite::insertHTMLHtmlStartTagBeforeHTML。
Node的创建
HTMLConstructionSite::insertHTMLHtmlStartTagBeforeHTML
函数通过HTMLHtmlElement::create创建了一个HTMLHtmlElement,把HTMLConstructionSite::m_document作为参数传入,回忆一下Node中有成员Document*m_document;用于指明该Node属于哪个Document中。所以这里创建Node时,通过参数告诉它它的Document是谁。
看下HTMLHtmlElement的继承体系:
Node
ContainerNode
Element
StyledElement
HTMLElement
HTMLHtmlElement
其中在Node中定义了成员Document* m_document;和RenderObject* m_renderer;
在Element中定义了成员QualifiedName m_tagName;和mutableRefPtr<NamedNodeMap> m_attributeMap;
这几个都是很重要的成员,Document标识了该Node位于哪个Document下,每个Node只能在一个Document下,Document是该DOM树的根。
RenderObject标识了跟该Node对应的RenderObject是哪个,每个Node有一个跟其一一对应的RenderObject。
QualifiedName m_tagName标识了该Element的类型。
NamedNodeMap m_attributeMap标识了该Element的属性。
另外Node中还有成员负责构造树结构。
了解了这些成员信息后,继续看HTMLConstructionSite::insertHTMLHtmlStartTagBeforeHTML。
在创建了HTMLHtmlElement后,把AtomicHTMLToken中的属性设置给HTMLHtmlElement。
之后把该HTMLHtmlElement压入一个HTMLElementStack中。
该函数结束。经过上述的过程,从输入流中找到了一个<html>标签,该标签被识别成一个StartTag的HTMLToken,利用该HTMLToken在HTMLConstructionSite的处理中创建了一个HTMLHtmlElement,并把它压入栈HTMLConstructionSite:: m_openElements中。
HTMLToken中定义的几种HTMLToken的类型。
enum Type {
Uninitialized, //未定义,默认
DOCTYPE, //文档类型
StartTag, //起始标签
EndTag, //结束标签
Comment, //注释
Character, //元素内容
EndOfFile, //文档结束
};
<html>
<head>
<metahttp-equiv="content-type" content="text/html;charset=UTF-8" />
</head>
<body>
<p>test content</p>
</body>
</html>
树构建阶段的输入是一个来自标记化阶段的标记序列。第一个模式是“initial mode”。接收 HTML 标记后转为“before html”模式,并在这个模式下重新处理此标记。这样会创建一个 HTMLHtmlElement 元素,并将其附加到 Document 根对象上。
然后状态将改为“before head”。此时我们接收“body”标记。即使我们的示例中没有“head”标记,系统也会隐式创建一个 HTMLHeadElement,并将其添加到树中。
现在我们进入了“in head”模式,然后转入“after head”模式。系统对 body 标记进行重新处理,创建并插入 HTMLBodyElement,同时模式转变为“body”。
现在,接收由“Hello world”字符串生成的一系列字符标记。接收第一个字符时会创建并插入“Text”节点,而其他字符也将附加到该节点。
接收 body 结束标记会触发“after body”模式。现在我们将接收 HTML 结束标记,然后进入“after after body”模式。接收到文件结束标记后,解析过程就此结束
在此阶段,浏览器会将文档标注为交互状态,并开始解析那些处于“deferred”模式的脚本,也就是那些应在文档解析完成后才执行的脚本。然后,文档状态将设置为“完成”,一个“加载”事件将随之触发。
<html>的解析
在HTMLTokenizer::nextToken中会把HTMLDocumentParser::m_token传入,这里是引用方式传的,即他们使用的是同一个HTMLToken。
在初始时,HTMLTokenizer::m_state为DataState。该HTMLToken类型为Uninitialized。
读取了’<’时,HTMLTokenizer::m_state变为TagOpenState。HTMLToken类型Uninitialized。
读取了’h’时,HTMLTokenizer::m_state变为TagNameState。HTMLToken类型变为StartTag,并清除了属性列表和当前属性,把当前字符’h’加入到HTMLToken::m_data中。
读取了’t’时,HTMLTokenizer::m_state为TagNameState。HTMLToken类型为StartTag,把当前字符’t’加入到HTMLToken::m_data中。
读取了’m’,’l’时,同上。
读取了’>’时,HTMLTokenizer::m_state变为DataState。HTMLToken类型为StartTag 。HTMLTokenizer::nextToken函数执行了return操作。
经过上述,HTMLTokenizer::nextToken完成了一个“词”的分析,即经过对”<html>”的读取后,得到了一个类型为StartTag的HTMLToken,并且其m_data为”html”。
之后通过HTMLTreeBuilder:: constructTreeFromToken把该HTMLToken进行语法分析。
HTMLTokenizer::nextToken是在HTMLDocumentParser::pumpTokenizer中运行的,HTMLDocumentParser有成员OwnPtr<HTMLTreeBuilder>m_treeBuilder;该成员是在HTMLDocumentParser构造时一并创建的。
这里回顾一下,Document类有成员DocumentParser,而HTMLDocument类是Document的子类,HTMLDocumentParser是DocumentParser的子类。即HTMLDocument类中有HTMLDocumentParser成员。这两个是相互对应的。在HTMLDocumentParser创建时,HTMLDocument把自身作为参数传入。HTMLDocumentParser的构造函数中会同时创建HTMLTreeBuilder,HTMLTreeBuilder会收到HTMLDocument的指针,并记录在其成员HTMLTreeBuilder:: m_document。另外还有成员HTMLTreeBuilder::m_parser记录了HTMLDocumentParser的指针。
<html>后面的换行符的解析
回到HTMLDocumentParser::pumpTokenizer中。
在While循环中再次进入HTMLTokenizer::nextToken。
此时, HTMLTokenizer::m_state为DataState。该HTMLToken类型为Uninitialized。
读取了’换行符’时,HTMLTokenizer::m_state为DataState。HTMLToken类型变为Character。把当前字符’换行符’加入到HTMLToken::m_data中。
读取了’<’时,HTMLTokenizer::m_state为DataState。HTMLToken类型为Character。HTMLTokenizer::nextToken返回。
在HTMLDocumentParser::pumpTokenizer中进入HTMLTreeBuilder::constructTreeFromToken
在HTMLTreeBuilder::processCharacterBuffer中,判断m_insertionMode为BeforeHeadMode后,在处理流程中,会对字符串进行检测,发现除了空白字符没有其他字符后,直接返回。
调用 HTMLTreeBuilder::constructTreeFromAtomicToken
调用 HTMLTreeBuilder::processToken
调用 HTMLTreeBuilder::processCharacter
调用 HTMLTreeBuilder::processCharacterBuffer
在HTMLTreeBuilder::processCharacterBuffer中,判断m_insertionMode为BeforeHeadMode后,在处理流程中,会对字符串进行检测,发现除了空白字符没有其他字符后,直接返回。
<head>的解析
回到HTMLDocumentParser::pumpTokenizer中。
此时, HTMLTokenizer::m_state为DataState。该HTMLToken类型为Uninitialized。
状态机的处理类似对<html>的处理
这里生成的Token的名字是headTag。用该Token创建了一个HTMLElement。
之后调用了一个HTMLConstructionSite::attachToCurrent。这个Current是谁呢?它就是HTMLConstructionSite::m_openElements这个栈的栈顶元素,记得刚才创建HTMLHtmlElement的过程中,把HTMLHtmlElement压入栈了,现在获取到的栈顶元素就是刚才的HTMLHtmlElement。这个attach的过程就是把两个 Node建立成父子关系。
再之后把新的HTMLElement压入栈。
由此可见,每次收到一个开始标签时,创建一个新的HTMLElement后,会把这个新的HTMLElement入栈,这样通过栈情况就能够找到待插入节点的父节点(栈顶元素)。即新的元素都是属于这个最近的开始标签的子Node。由此可知,当收到结束标签时,应该会有出栈的操作,这样栈顶元素还是标识这新Node的父节点。即栈维护了标签的开关情况,这个栈类似于函数调用,当进入某个函数时,函数入栈,当继续进入子函数时,子函数入栈。当函数返回时,该函数出栈。通过函数栈能够识别某个函数的嵌套位置,同样通过这个标签栈可以识别某个标签的嵌套位置。
<metahttp-equiv="content-type" content="text/html;charset=UTF-8" />的解析
回到HTMLDocumentParser::pumpTokenizer中。
在处理<meta时跟<html>标签前面一样,此时HTMLTokenizer::m_state为TagNameState。HTMLToken类型为StartTag
读取了’空格’时,HTMLTokenizer::m_state变为BeforeAttributeNameState。HTMLToken类型为StartTag。
读取了’h’时,HTMLTokenizer::m_state为BeforeAttributeNameState。HTMLToken类型为StartTag。通过HTMLToken::addNewAttribute让HTMLToken::m_attributes中开辟一个新的属性空间,HTMLToken中有个成员Attribute* m_currentAttribute;用于指向当前的属性的,即它现在指向新开辟的属性空间的地址。通过HTMLToken:: beginAttributeName设置该属性名字的起始范围,通过HTMLToken::appendToAttributeName把字符’h’加入。可见在HTMLToken中有一些专门用来维护属性信息的函数,在HTMLTokenizer解析到属性信息时,他的HTMLToken没有发生变化,仍然是StartTag,但是状态机的状态变成了BeforeAttributeNameState,并且状态处理函数中,对数据的解析会导致HTMLToken属性的设置。
读取了’t’时,HTMLTokenizer::m_state变为AttributeNameState。HTMLToken类型为StartTag。把当前字符’t’加入到HTMLToken的当前属性名中。
读取”tp-equiv”跟读取上面的’t’字符流程一样。
读取了’=’时,HTMLTokenizer::m_state变为BeforeAttributeValueState。HTMLToken类型为StartTag。通过HTMLToken::endAttributeName设置属性名字的结束偏移和属性值的开始及结束便宜。这里属性值还没有开始也没结束呢,这里设置可能是为了避免html页面中没写属性值的情况吧。
读取了’双引号’时,HTMLTokenizer::m_state变为AttributeValueDoubleQuotedState。HTMLToken类型为StartTag。通过HTMLToken::beginAttributeValue设置属性开始偏移。
读取了’c’时,HTMLTokenizer::m_state为AttributeValueDoubleQuotedState。HTMLToken类型为StartTag。把当前字符’c’加入到HTMLToken的当前属性值中。
读取”ontent-type”跟读取上面的’c’字符流程一样。
读取了’双引号’时,HTMLTokenizer::m_state变为AfterAttributeValueDoubleQuotedState。HTMLToken类型为StartTag。通过HTMLToken::endAttributeValue设置属性结束偏移。
读取了’空格’时,HTMLTokenizer::m_state变为BeforeAttributeValueState。HTMLToken类型为StartTag。
读取了’c’时,HTMLTokenizer::m_state变为AttributeValueState。HTMLToken类型为StartTag。执行跟上面读取了’h’时同样的创建属性的流程。
读取了”ontent="text/html; charset=UTF-8"”的流程跟上述对应的流程一样。
读取了’空格’时,HTMLTokenizer::m_state变为BeforeAttributeValueState。HTMLToken类型为StartTag。
读取了’/’时,HTMLTokenizer::m_state变为SelfClosingStartTagState。HTMLToken类型为StartTag。
读取了’>’时,通过HTMLToken::setSelfClosing设置其自关闭性质。之后执行返回,退出HTMLTokenizer::nextToken。
这里生成的Token的名字是metaTag。用该Token创建了一个HTMLElement。设置他的属性,把他attach到之前的<head>标签创建的HTMLElement上。
</head>的处理
回到HTMLDocumentParser::pumpTokenizer中。
有了上述的基础,看这个标签就比较容易了,跟<head>非常类似,只是对这个标签的处理时,HTMLToken类型为EndTag。
在HTMLTreeBuilder对该HTMLToken的处理时,会对HTMLConstructionStie::m_openElements执行出栈操作,即之前所讲到的,并更新HTMLTreeBuilder的状态机情况。这里没有再创建新的Node了。
之后的其他标签的处理都是类似的,以下显示几个处理标签的对应的HTMLToken的栈情况:
通过上述对Token的处理可知,在HTMLTokenizer::nextToken中根据状态机进行词法分析能够分离出一个个的HTMLToken,这些利用HTMLTreeBuilder::constructTreeFromToken进行语法分析能够识别它在当前的状态下要创建什么类型的Node。
HTMLTreeBuilder用于做这期间的语法分析,他会先根据HTMLToken的类型做分发处理(即通过processXXX),在某个分支处理中,又会根据HTMLTreeBuilder自身维护的状态机的状态情况做判断,进一步分发处理。也就是说HTMLTreeBuilder即会考虑当前的状态,也会考虑HTMLToken的类型,他的状态相当于该HTMLToken当前所处的环境。
HTMLTreeBuilder最终会通过HTMLConstructionSite来执行相应Node的创建(即通过insertXXX)。
另外注意在HTMLConstructionSite中有成员mutable HTMLElementStack m_openElements;用于维护一个HTMLElement的栈,这个栈用户维护标签的开始和结束的情况,即维护标签的层级关系,用于确定某个Node插入到哪个Node下面,即确定相互的父子关系。
而这里创建的所有的节点,都有一个公共的Document,即HTMLDocument中的成员HTMLDocumentParser中的成员HTMLTreeBuilder中的Document* m_document;这个Document就对应开始的HTMLDocument。
由此可见,后续创建的所有的Node都是HTMLDocument的后代节点。
解析过程