专业的网站建设联系,wordpress谷歌字体加载慢,博客网络营销方式,动漫网页制作成品图片转载自 Jsoup代码解读之六-parser(下)最近生活上有点忙#xff0c;女儿老是半夜不睡#xff0c;精神状态也不是很好。工作上的事情也谈不上顺心#xff0c;有很多想法但是没有几个被认可#xff0c;有些事情也不是说代码写得好就行的。算了#xff0c;还是端正态度…转载自 Jsoup代码解读之六-parser(下)最近生活上有点忙女儿老是半夜不睡精神状态也不是很好。工作上的事情也谈不上顺心有很多想法但是没有几个被认可有些事情也不是说代码写得好就行的。算了还是端正态度毕竟资历尚浅我还是继续我的。
读Jsoup源码并非无聊目的其实是为了将webmagic做的更好一点毕竟parser也是爬虫的重要组成部分之一。读了代码后收获也不少对HTML的知识也更进一步了。
DOM树产生过程
这里单独将TreeBuilder部分抽出来叫做语法分析过程可能稍微不妥其实就是根据Token生成DOM树的过程不过我还是沿用这个编译器里的称呼了。
TreeBuilder同样是一个facade对象真正进行语法解析的是以下一段代码
!-- lang: java --
protected void runParser() {while (true) {Token token tokeniser.read();process(token);if (token.type Token.TokenType.EOF)break;}
}TreeBuilder有两个子类HtmlTreeBuilder和XmlTreeBuilder。XmlTreeBuilder自然是构建XML树的类实现颇为简单基本上是维护一个栈并根据不同Token插入节点即可
!-- lang: java --
Override
protected boolean process(Token token) {// start tag, end tag, doctype, comment, character, eofswitch (token.type) {case StartTag:insert(token.asStartTag());break;case EndTag:popStackToClose(token.asEndTag());break;case Comment:insert(token.asComment());break;case Character:insert(token.asCharacter());break;case Doctype:insert(token.asDoctype());break;case EOF: // could put some normalisation here if desiredbreak;default:Validate.fail(Unexpected token type: token.type);}return true;
}insertNode的代码大致是这个样子(为了便于展示对方法进行了一些整合)
!-- lang: java --
Element insert(Token.StartTag startTag) {Tag tag Tag.valueOf(startTag.name());Element el new Element(tag, baseUri, startTag.attributes);stack.getLast().appendChild(el);if (startTag.isSelfClosing()) {tokeniser.acknowledgeSelfClosingFlag();if (!tag.isKnownTag()) // unknown tag, remember this is self closing for output. see above.tag.setSelfClosing();} else {stack.add(el);}return el;
}HTML解析状态机
相比XmlTreeBuilderHtmlTreeBuilder则实现较为复杂除了类似的栈结构以外还用到了HtmlTreeBuilderState来构建了一个状态机来分析HTML。这是为什么呢不妨看看HtmlTreeBuilderState到底用到了哪些状态吧在代码中中用!-- State: --gt;标明状态
!-- lang: html --
!-- State: Initial --
!DOCTYPE html PUBLIC -//W3C//DTD XHTML 1.0 Transitional//EN http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd
!-- State: BeforeHtml --
html langzh-CN xml:langzh-CN xmlnshttp://www.w3.org/1999/xhtml
!-- State: BeforeHead --
head!-- State: InHead --script typetext/javascript//!-- State: Text --function xx(){}/scriptnoscript!-- State: InHeadNoscript --Your browser does not support JavaScript!/noscript
/head
!-- State: AfterHead --
body
!-- State: InBody --
textarea!-- State: Text --xxx
/textarea
table!-- State: InTable --!-- State: InTableText --xxxtbody!-- State: InTableBody --/tbodytr!-- State: InRow --td!-- State: InCell --/td/tr
/table
/html这里可以看到HTML标签是有嵌套要求的例如tr,td需要组合table来使用。根据Jsoup的代码可以发现HtmlTreeBuilderState做了以下一些事情
语法检查例如tr没有嵌套在table标签内则是一个语法错误。当InBody状态直接出现以下tag时则出错。Jsoup里遇到这种错误会发现这个Token的解析并记录错误然后继续解析下面内容并不会直接退出。 !-- lang: java --InBody {boolean process(Token t, HtmlTreeBuilder tb) {if (StringUtil.in(name,caption, col, colgroup, frame, head, tbody, td, tfoot, th, thead, tr)) {tb.error(this);return false;}}
标签补全例如head标签没有闭合就写入了一些只有body内才允许出现的标签则自动闭合/head。HtmlTreeBuilderState有的方法anythingElse()就提供了自动补全标签例如InHead状态的自动闭合代码如下 !-- lang: java --private boolean anythingElse(Token t, TreeBuilder tb) {tb.process(new Token.EndTag(head));return tb.process(t);}
还有一种标签闭合方式例如下面的代码 !-- lang: java --private void closeCell(HtmlTreeBuilder tb) {if (tb.inTableScope(td))tb.process(new Token.EndTag(td));elsetb.process(new Token.EndTag(th)); // only here if th or td in scope}实例研究
缺少标签时会发生什么事
好了看了这么多parser的源码不妨回到我们的日常应用上来。我们知道在页面里多写一个两个未闭合的标签是很正常的事那么它们会被怎么解析呢
就拿div标签为例
漏写了开始标签只写了结束标签 !-- lang: java --case EndTag:if (StringUtil.in(name,div,dl, fieldset, figcaption, figure, footer, header, pre, section, summary, ul)) { if (!tb.inScope(name)) {tb.error(this);return false;} }
恭喜你这个/div会被当做错误处理掉于是你的页面就毫无疑问的乱掉了当然如果单纯多写了一个/div好像也不会有什么影响哦(记得有人跟我讲过为了防止标签未闭合而在页面底部多写了几个/div的故事)写了开始标签漏写了结束标签这个情况分析起来更复杂一点。如果是无法在内部嵌套内容的标签那么在遇到不可接受的标签时会进行闭合。而div标签可以包括大多数标签这种情况下其作用域会持续到HTML结束。
好了parser系列算是分析结束了其间学到不少HTML及状态机内容但是离实际使用比较远。下面开始select部分这部分可能对日常使用更有意义一点。
最后附上我的Jsoup系列博客及源码地址http://github.com/code4craft/jsoup-learning
