有人問我能不能寫一個(gè) HTML Parser？
上篇文章介紹了手寫簡(jiǎn)易瀏覽器整體的思路，這篇開始寫 html parser。
思路分析
實(shí)現(xiàn) html parser 主要分為詞法分析和語(yǔ)法分析兩步。
詞法分析
詞法分析需要把每一種類型的 token 識(shí)別出來，具體的類型有：
開始標(biāo)簽，如 <div> 結(jié)束標(biāo)簽，如 </div> 注釋標(biāo)簽，如 <!--comment--> doctype 標(biāo)簽，如 <!doctype html> text，如 aaa
這是最外層的 token，開始標(biāo)簽內(nèi)部還要分出屬性，如 id="aaa" 這種。
也就是有這幾種情況：
第一層判斷是否包含 <，如果不包含則是 text，如果包含則再判斷是哪一種，如果是開始標(biāo)簽，還要對(duì)其內(nèi)容再取屬性，直到遇到 > 就重新判斷。
語(yǔ)法分析
語(yǔ)法分析就是對(duì)上面分出的 token 進(jìn)行組裝，生成 ast。
html 的 ast 的組裝主要是考慮父子關(guān)系，記錄當(dāng)前的 parent，然后 text、children 都設(shè)置到當(dāng)前 parent 上。
我們來用代碼實(shí)現(xiàn)一下：
代碼實(shí)現(xiàn)
詞法分析
首先，我們要把 startTag、endTag、comment、docType 還有 attribute 的正則表達(dá)式寫出來：
正則
結(jié)束標(biāo)簽就是 </ 開頭，然后 a-zA-Z0-9 和 - 出現(xiàn)多次，之后是 >
const endTagReg = /^<\/([a-zA-Z0-9\-]+)>/;
注釋標(biāo)簽是 <!-- 和 --> 中間夾著非 --> 字符出現(xiàn)任意次
const commentReg = /^<!\-\-[^(-->)]*\-\->/;
doctype 標(biāo)簽是 <!doctype 加非 > 字符出現(xiàn)多次，加 >
const docTypeReg = /^<!doctype [^>]+>/;
attribute 是多個(gè)空格開始，加 a-zA-Z0-9 或 - 出現(xiàn)多次，接一個(gè) =，之后是非 > 字符出多次
const attributeReg = /^(?:[ ]+([a-zA-Z0-9\-]+=[^>]+))/;
開始標(biāo)簽是 < 開頭，接 a-zA-Z0-9 和 - 出現(xiàn)多次，然后是屬性的正則，最后是 > 結(jié)尾
const startTagReg = /^<([a-zA-Z0-9\-]+)(?:([ ]+[a-zA-Z0-9\-]+=[^> ]+))*>/;
分詞
之后，我們就可以基于這些正則來分詞，第一層處理 < 和 text：
function parse(html, options) {
function advance(num) {
html = html.slice(num);
}
while(html){
if(html.startsWith('<')) {
//...
} else {
let textEndIndex = html.indexOf('<');
options.onText({
type: 'text',
value: html.slice(0, textEndIndex)
});
textEndIndex = textEndIndex === -1 ? html.length: textEndIndex;
advance(textEndIndex);
}
}
}
第二層處理 <!-- 和 <!doctype 和結(jié)束標(biāo)簽、開始標(biāo)簽：
const commentMatch = html.match(commentReg);
if (commentMatch) {
options.onComment({
type: 'comment',
value: commentMatch[0]
})
advance(commentMatch[0].length);
continue;
}
const docTypeMatch = html.match(docTypeReg);
if (docTypeMatch) {
options.onDoctype({
type: 'docType',
value: docTypeMatch[0]
});
advance(docTypeMatch[0].length);
continue;
}
const endTagMatch = html.match(endTagReg);
if (endTagMatch) {
options.onEndTag({
type: 'tagEnd',
value: endTagMatch[1]
});
advance(endTagMatch[0].length);
continue;
}
const startTagMatch = html.match(startTagReg);
if(startTagMatch) {
options.onStartTag({
type: 'tagStart',
value: startTagMatch[1]
});
advance(startTagMatch[1].length + 1);
let attributeMath;
while(attributeMath = html.match(attributeReg)) {
options.onAttribute({
type: 'attribute',
value: attributeMath[1]
});
advance(attributeMath[0].length);
}
advance(1);
continue;
}
經(jīng)過詞法分析，我們能拿到所有的 token：
語(yǔ)法分析
token 拆分之后，我們需要再把這些 token 組裝在一起，只處理 startTag、endTag 和 text 節(jié)點(diǎn)。通過 currentParent 記錄當(dāng)前 tag。
startTag 創(chuàng)建 AST，掛到 currentParent 的 children 上，然后 currentParent 變成新創(chuàng)建的 tag endTag 的時(shí)候把 currentParent 設(shè)置為當(dāng)前 tag 的 parent text 也掛到 currentParent 上
function htmlParser(str) {
const ast = {
children: []
};
let curParent = ast;
let prevParent = null;
const domTree = parse(str,{
onComment(node) {
},
onStartTag(token) {
const tag = {
tagName: token.value,
attributes: [],
text: '',
children: []
};
curParent.children.push(tag);
prevParent = curParent;
curParent = tag;
},
onAttribute(token) {
const [ name, value ] = token.value.split('=');
curParent.attributes.push({
name,
value: value.replace(/^['"]/, '').replace(/['"]$/, '')
});
},
onEndTag(token) {
curParent = prevParent;
},
onDoctype(token) {
},
onText(token) {
curParent.text = token.value;
}
});
return ast.children[0];
}
我們?cè)囈幌滦Ч?/p>
const htmlParser = require('./htmlParser');
const domTree = htmlParser(`
<!doctype html>
<body>
<div>
<!--button-->
<button>按鈕</button>
<div id="container">
<div class="box1">
<p>box1 box1 box1</p>
</div>
<div class="box2">
<p>box2 box2 box2</p>
</div>
</div>
</div>
</body>
`);
console.log(JSON.stringify(domTree, null, 4));
成功生成了正確的 AST。
總結(jié)
這篇是簡(jiǎn)易瀏覽器中 html parser 的實(shí)現(xiàn)，少了自閉合標(biāo)簽的處理，就是差一個(gè) if else，后面會(huì)補(bǔ)上。
我們分析了思路并進(jìn)行了實(shí)現(xiàn)：通過正則來進(jìn)行 token 的拆分，把拆出的 token 通過回調(diào)函數(shù)暴露出去，之后進(jìn)行 AST 的組裝，需要記錄當(dāng)前的 parent，來生成父子關(guān)系正確的 AST。
html parser 其實(shí)也是淘系前端的多年不變的面試題之一，而且 vue template compiler 還有 jsx 的 parser 也會(huì)用到類似的思路。還是有必要掌握的。希望本文能幫大家理清思路。
代碼在 github：https://github.com/QuarkGluonPlasma/tiny-browser