在浏览器的背后（二） —— HTML语言的语法解析

当你看到这篇文章意味着我辜负了@教主的殷切期望周末木有去约会，以及苏老师@我思故我在北京鼓楼的落井下石成功了……

本文demo powered by 已经结婚的@老赵的不再维护的wind.js

物是人非啊……

 

说回正经事，在上一篇文章中，我们取得了初步成果，毫无意义的字符变成了有意义的token。

接下来我们要把这些简单的词变成DOM树，这个过程我们是使用栈来实现的，任何语言几乎都有栈，为了给大家跑着玩我们还是用JS来实现吧，JS中的栈只要用数组就好了：

function HTMLSyntaticalParser(){
    var stack = [new HTMLDocument];
    this.receiveInput = function(token) {
        //TODO
    }
    this.getOutput = function(){
        return stack[0];
    }
}

为了构建DOM树，我们需要一个Node类，接下来我们所有的节点都会是这个Node类的实例。在完全符合标准的浏览器中，不一样的HTML节点对应了不同的Node的子类，我们为了简化，就不完整实现这个继承体系了。我们仅仅把Node分为Element和Text（如果是基于类的OOP的话，我们需要抽象工厂来创建对象。）

function Element(){
    this.childNodes = [];
}
function Text(value){
    this.value = value || "";
}

前面我们的token中，以下两个是需要成对匹配的：

  • tag start
  • tag end

于是我们的做法是遇到tag start就入栈，遇到tag end就出栈，并且校验一下是否匹配。

对于Text节点，我们则需要把相邻的Text节点合并起来，我们的做法是当字符token入栈时检查栈顶是否是Text节点，如果是的话就合并Text节点

同样我们来看看直观的解析过程：

 
 

当我们的源代码完全遵循xhtml时，这非常简单问题，然而HTML具有很强的容错能力，奥妙在于当tag end跟栈顶的start tag不匹配的时候如何处理。

于是有一个极其复杂的规则来的，幸好w3c又一次很贴心地把全部规则都整理的很好，我们只要翻译成对应的伪代码就好了：

http://www.w3.org/html/wg/drafts/html/master/syntax.html#tree-construction

略微干净的代码可以在这个gist找到：

https://gist.github.com/wintercn/5618683#file-htmlsyntaticalparser-js

posted @   winter-cn  阅读(7069)  评论(10)  编辑  收藏  举报
编辑推荐：
· Linux系列：如何用 C#调用 C方法造成内存泄露
· AI与.NET技术实操系列（二）：开始使用ML.NET
· 记一次.NET内存居高不下排查解决与启示
· 探究高空视频全景AR技术的实现原理
· 理解Rust引用及其生命周期标识（上）
阅读排行：
· 阿里最新开源QwQ-32B，效果媲美deepseek-r1满血版，部署成本又又又降低了！
· 单线程的Redis速度为什么快？
· 展开说说关于C#中ORM框架的用法！
· SQL Server 2025 AI相关能力初探
· Pantheons：用 TypeScript 打造主流大模型对话的一站式集成库
点击右上角即可分享
微信分享提示