【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  
}

　　下面是负责解析“开始标签”属性表文本（形如“key1=value1 key2=value2 key3”）的代码，parseNodeProps()，核心思路是按空格和等号字符进行分割属性名和属性值，由于想兼容HTML4.01及以前的不标准的属性表写法（如没有=号也没有属性值），颇费周折：

view plaincopy to clipboardprint?
//[virtual]  
void HtmlParser::parseNodeProps(HtmlNode* pNode)  
...{  
    if(pNode == NULL || pNode->propCount > 0 || pNode->text == NULL)  
        return;  
    WCHAR* p = pNode->text;  
    WCHAR *ps = NULL;  
    CMem mem;  
    bool inQuote1 = false, inQuote2 = false;  
    WCHAR c;  
    while(c = *p)  
    ...{  
        if(c == L'\"')  
        ...{  
            inQuote1 = !inQuote1;  
        }  
        else if(c == L'\'')  
        ...{  
            inQuote2 = !inQuote2;  
        }  
        if((!inQuote1 && !inQuote2) && (c == L' ' || c == L'\t' || c == L'='))  
        ...{  
            if(ps)  
            ...{  
                mem.AddPointer(duplicateStrAndUnquote(ps, p - ps));  
                ps = NULL;  
            }  
            if(c == L'=')  
                mem.AddPointer(NULL);  
        }  
        else  
        ...{  
            if(ps == NULL)  
                ps = p;  
        }  
        p++;  
    }  
    if(ps)  
        mem.AddPointer(duplicateStrAndUnquote(ps, p - ps));  
    mem.AddPointer(NULL);  
    mem.AddPointer(NULL);  
    WCHAR** pp = (WCHAR**) mem.GetPtr();  
    CMem props;  
    for(int i = 0, n = mem.GetSize() / sizeof(WCHAR*) - 2; i < n; i++)  
    ...{  
        props.AddPointer(pp[i]); //prop name  
        if(pp[i+1] == NULL)  
        ...{  
            props.AddPointer(pp[i+2]); //prop value  
            i += 2;  
        }  
        else  
            props.AddPointer(NULL); //prop vlalue  
    }  
    pNode->propCount = props.GetSize() / sizeof(WCHAR*) / 2;  
    pNode->props = (HtmlNodeProp*) props.Detach();  
}

　　根据标签名称取标签类型的getHtmlTagTypeFromName()方法，就非常直白了，查表，逐一识别：

view plaincopy to clipboardprint?
//[virtual]  
HtmlTagType HtmlParser::getHtmlTagTypeFromName(const WCHAR* szTagName)  
...{  
    //todo: uses hashmap  
    struct N2T ...{ const WCHAR* name; HtmlTagType type; };  
    static N2T n2tTable[] =    
    ...{  
        ...{ L"A", TAG_A },  
        ...{ L"FONT", TAG_FONT },  
        ...{ L"IMG", TAG_IMG },  
        ...{ L"P", TAG_P },  
        ...{ L"DIV", TAG_DIV },  
        ...{ L"SPAN", TAG_SPAN },  
        ...{ L"BR", TAG_BR },  
        ...{ L"B", TAG_B },  
        ...{ L"I", TAG_I },  
        ...{ L"HR", TAG_HR },  
    };  
    for(int i = 0, count = sizeof(n2tTable)/sizeof(n2tTable[0]); i < count; i++)  
    ...{  
        N2T* p = &n2tTable[i];  
        if(wcsicmp(p->name, szTagName) == 0)  
            return p->type;  
    }  
    return TAG_UNKNOWN;  
}

　　请注意，上文负责解析属性表的parseNodeProps()函数，和负责识别标签名称的getHtmlTagTypeFromName()函数，都是虚函数（virtual method）。我(liigo)这么设计是有深意的，给使用者留下了很大的定制空间，可以自由发挥。例如，通过在子类中覆盖/覆写（override）parseNodeProps()方法，可以采用更好的解析算法，或者干脆不做任何处理以提高HTML解析效率——将来某一时间可以调用基类同名函数专门解析特定标签的属性表；例如，通过在子类中覆盖/覆写（override）getHtmlTagTypeFromName()方法，使用者可以选择识别跟多的标签名称（包括自定义标签），或者识别更少的标签名称，甚至不识别任何标签名称（以便提高解析效率）。以编写网络爬虫程序为实例，它多数情况下通常只需识别<A>标签及其属性就足够了，没必要浪费CPU运算去识别其它标签、解析其他标签属性。

至于HTML文本解析器的用途，我目前想到的有：用于HTML格式检查或规范化，用于重新排版HTML文本，用于编写网络爬虫程序/搜索引擎，用于基于HTML模板的动态网页生成，用于HTML网页渲染前的基础解析，等等。

完整源码查看这里：http://blog.csdn.net/liigo/archive/2011/01/19/6153829.aspx

2011-1-22 liigo 补记：本文所提供的源代码，目前有未完善之处，如没有考虑到内嵌JavaScrip代码和HTML注释中的特殊字符（特别是尖括号）对解析器的影响，另外还可能有其他疏漏和bug，故代码仅可用于学习参考研究使用。我今后也将继续改进此HTML语法解析器。特此声明。