【IT168 技术】众所周知，HTML是结构化文档(Structured Document)，由诸多标签（<p>等）嵌套形成的著名的文档对象模型（DOM, Document Object Model），是显而易见的树形多层次结构。如果带着这种思路看待HTML、编写HTML解析器，无疑将导致问题复杂化。不妨从另一视角俯视HTML文本，视其为一维线状结构：诸多单一节点的顺序排列。仔细审视任何一段HTML文本，以左右尖括号（<和>）为边界，会发现HTML文本被天然地分割为：一个标签（Tag），接一段普通文字，再一个标签，再一段普通文字…… 如下图所示：

　　标签有两种，开始标签（如<p>）和结束标签（</p>），它们和普通文字一起，顺序排列，共同构成了HTML文本的全部。

为了再次简化编程模型，我(liigo)继续将“开始标签”“结束标签”“普通文字”三者统一抽象归纳为“节点”（HtmlNode），相应的，“节点”有三种类型，要么是开始标签，要么是结束标签，要么是普通文字。现在，HTML在我们眼里更加单纯了，它就是“节点”的线性顺序组合，是一维的“节点”数组。如下图所示：HTML文本 = 节点1 + 节点2 + 节点3 + ……

　　在正式编码之前，先确定好“节点”的数据结构。作为“普通文字”节点，需要记录一个文本(text)；作为“标签”节点，需要记录标签名称(tagName)、标签类型(tagType)、所有属性值(props)；另外还要有个类型(type)以便区分该节点是普通文字、开始标签还是结束标签。这其中固然有些冗余信息，比如对标签来说不需要记录文本，对普通文字来说又不需要记录标签名称、属性值等，不过无伤大雅，简洁的编程模型是最大的诱惑。用C/C++语言语法表示如下：

view plaincopy to clipboardprint?
enum HtmlNodeType  
...{  
    NODE_UNKNOWN = 0,  
    NODE_START_TAG,  
    NODE_CLOSE_TAG,  
    NODE_CONTENT,  
};  
enum HtmlTagType  
...{  
    TAG_UNKNOWN = 0,  
    TAG_A, TAG_DIV, TAG_FONT, TAG_IMG, TAG_P, TAG_SPAN, TAG_BR, TAG_B, TAG_I, TAG_HR,    
};  
struct HtmlNodeProp  
...{  
    WCHAR* szName;  
    WCHAR* szValue;  
};  
#define MAX_HTML_TAG_LENGTH (15)  
struct HtmlNode  
...{  
    HtmlNodeType type;  
    HtmlTagType  tagType;  
    WCHAR tagName[MAX_HTML_TAG_LENGTH+1];  
    WCHAR* text;  
    int propCount;  
    HtmlNodeProp* props;  
};

　　具体到编写程序代码，要比想象中容易的多。编码的核心要点是，以左右尖括号（<和>）为边界自然分割标签和普通文字。左右尖括号之间的当然是标签节点（开始标签或结束标签），左尖括号(<)之前（直到前一个右尖括号或开头）、右尖括号(>)之后（直到后一个左尖括号或结尾）的显然是普通文字节点。区分开始标签或结束标签的关键点是，看左尖括号(<)后面第一个非空白字符是否为'/'。对于开始标签，在标签名称后面，间隔至少一个空白字符，可能会有形式为“key1=value1 key2=value2 key3”的属性表，关于属性表，后文有专门的函数负责解析。此外有一点要注意，属性值一般有引号括住，引号内出现的左右尖括号应该不被视为边界分隔符。

下面就是负责把HTML文本解析为一个个节点（HtmlNode）的核心代码（不足百行，够精简吧）：

view plaincopy to clipboardprint?
void HtmlParser::ParseHtml(const WCHAR* szHtml)  
...{  
    m_html = szHtml ? szHtml : L"";  
    freeHtmlNodes();  
    if(szHtml == NULL || *szHtml == L'\0') return;  
    WCHAR* p = (WCHAR*) szHtml;  
    WCHAR* s = (WCHAR*) szHtml;  
    HtmlNode* pNode = NULL;  
    WCHAR c;  
    bool bInQuotes = false;  
    while( c = *p )  
    ...{  
        if(c == L'\"')  
        ...{  
            bInQuotes = !bInQuotes;  
            p++; continue;  
        }  
        if(bInQuotes)  
        ...{  
            p++; continue;  
        }  
        if(c == L'<')  
        ...{  
            if(p > s)  
            ...{  
                //Add Text Node  
                pNode = NewHtmlNode();  
                pNode->type = NODE_CONTENT;  
                pNode->text = duplicateStrUtill(s, L'<', true);  
            }  
            s = p + 1;  
        }  
        else if(c == L'>')  
        ...{  
            if(p > s)  
            ...{  
                //Add HtmlTag Node  
                pNode = NewHtmlNode();  
                while(isspace(*s)) s++;  
                pNode->type = (*s != L'/' ? NODE_START_TAG : NODE_CLOSE_TAG);  
                if(*s == L'/') s++;  
                copyStrUtill(pNode->tagName, MAX_HTML_TAG_LENGTH, s, L'>', true);  
                //处理自封闭的结点, 如 <br/>, 删除tagName中可能会有的'/'字符  
                //自封闭的结点的type设置为NODE_START_TAG应该可以接受(否则要引入新的NODE_STARTCLOSE_TAG)  
                int tagNamelen = wcslen(pNode->tagName);  
                if(pNode->tagName[tagNamelen-1] == L'/')  
                    pNode->tagName[tagNamelen-1] = L'\0';  
                //处理结点属性  
                for(int i = 0; i < tagNamelen; i++)  
                ...{  
                    if(pNode->tagName[i] == L' ' //第一个空格后面跟的是属性列表  
                        || pNode->tagName[i] == L'=') //扩展支持这种格式: <tagName=value>, 等效于<tagName tagName=value>  
                    ...{  
                        WCHAR* props = (pNode->tagName[i] == L' ' ? s + i + 1 : s);  
                        pNode->text = duplicateStrUtill(props, L'>', true);  
                        int nodeTextLen = wcslen(pNode->text);  
                        if(pNode->text[nodeTextLen-1] == L'/') //去掉最后可能会有的'/'字符, 如这种情况: <img src="..." mce_src="..." />  
                            pNode->text[nodeTextLen-1] = L'\0';  
                        pNode->tagName[i] = L'\0';  
                        parseNodeProps(pNode); //parse props  
                        break;  
                    }  
                }  
                pNode->tagType = getHtmlTagTypeFromName(pNode->tagName);  
            }  
            s = p + 1;  
        }  
        p++;  
    }  
    if(p > s)  
    ...{  
        //Add Text Node  
        pNode = NewHtmlNode();  
        pNode->type = NODE_CONTENT;  
        pNode->text = duplicateStr(s, -1);  
    }  
#ifdef _DEBUG  
    dumpHtmlNodes(); //just for test  
#endif  
}