今天我们主要看两个过程：如何解析请求回来的HTML代码，DOM树又是如何构建的。
image.png
解析代码
HTML的结构不算太复杂，我们日常开发需要的90%的“词”(指编译原理的术语token, 表示最小的有意义的单元)，种类大约只有标签开始、属性、标签结束、注释、CDATA 节点几种。
实际上有点麻烦的是，由于HTML 跟SGML的千丝万缕的联系，我们需要做不少容错处理。“<?”和“<%”什么的也是必须要支持好的，报了错也不能吭声。
1、词（token）是如何被拆分的
<p class="a">text text text</p>
我们可以把这段代码依次拆成词（token）：
- <p“标签开始”的开始
- class="a" 属性
- > “标签开始”的结束
- text text text 文本
- </p> 标签结束。
类似的还有
image.png
根据这样的分析，现在我们讲讲浏览器是如何用代码实现，我们设想，代码开始从HTTP协议收到的字符流读取字符。
在接受第一个字符之前，我们完全无法判断这是哪一个词(token) ， 不过，随着我们接受的字符越来越多，拼出其他的内容可能性就越来越少。
比如，假设我们接受了一个字符“<”我们一下子就知道这不是一个文本节点啦。
之后我们再读一个字符，比如就是x,那么我们一下子就知道这不是注释和CDATA 了,接下来我们就一直读，直到遇到“>”或者空格，这样就得到了一个完整的词(token) 了。
实际上，我们每读入一个字符，其实都要做一次决策，而且这些决定是跟“当前状态”有关的。在这样的条件下，浏览器工程师要想实现把字符流解析成词(token) ，最常见的方案就是使用状态机。
2、状态机
我们把部分词（token）的解析画成一个状态机看看：
image.png
状态机的初始状态，我们仅仅区分“<”和“非<”
- 如果获得的是一个非<字符，那么可以认为进入了一个文本节点
- 如果获得的是一个< 字符，那么进入一个标签状态
不过当我们在标签状态时，则会面临着一些可能性
- 比如下一个字符是“!”，就可能是进入了注释节点或者CDATA节点
- 如果下一个字符是“/ ，那么肯恩恶搞确定进入了一个结束标签
- 如果下一个字符是字母，那么可以确定进入了一个开始标签。
- 如果我们要完整处理各种HTML标准中定义的东西，那么还要考虑“?”“%”等内容
在JS中实现状态机的方式与C/C++的方式大同小异：我们把每个函数当作一个状态，参数是接受的字符，返回值是下一个状态函数。
便于理解，我们用JS来讲解，图上data状态大概就像下面：
var data = function(c){
if(c=="&") {
return characterReferenceInData;
}
if(c=="<") {
return tagOpen;
}
else if(c=="\0") {
error();
emitToken(c);
return data;
}
else if(c==EOF) {
emitToken(EOF);
return data;
}
else {
emitToken(c);
return data;
}
};
var tagOpenState = function tagOpenState(c){
if(c=="/") {
return endTagOpenState;
}
if(c.match(/[A-Z]/)) {
token = new StartTagToken();
token.name = c.toLowerCase();
return tagNameState;
}
if(c.match(/[a-z]/)) {
token = new StartTagToken();
token.name = c;
return tagNameState;
}
if(c=="?") {
return bogusCommentState;
}
else {
error();
return dataState;
}
};
//……
data即为初始状态，tagOpenState是接受了一个“<”字符，来判断标签类型的状态
通过if else来区分下一个字符做状态迁移，即当前状态函数返回下一个状态函数。
状态迁移的代码：
var state = data;
var char
while(char = getInput())
state = state(char);
词法分析器接受字符的方式很简单，如下：
function HTMLLexicalParser(){
// 状态函数们……
function data() {
// ……
}
function tagOpen() {
// ……
}
// ……
var state = data;
this.receiveInput = function(char) {
state = state(char);
}
}
至此，我们就把字符流拆成了词（token）了
构建DOM树
我们用栈来实现，毕竟JS中的栈只要用数组就好
function HTMLSyntaticalParser(){
var stack = [new HTMLDocument];
this.receiveInput = function(token) {
//……
}
this.getOutput = function(){
return stack[0];
}
}
receiveInput负责接收2词法部分产生的词（token），通常可以由emmitToken来调用
在接收的同时，即开始构建DOM树，所以我们的主要构建DOM树的算法，就写在receiveInput当中。当接收完所有输入，栈顶就是最后的根节点，我们DOM树的产出，就是这个stack的第一项。
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，我们还需要抽象工厂来创建对象)
function Element(){
this.childNodes = [];
}
function Text(value){
this.value = value || "";
}
根据一些编译原理中常见的技巧，我们使用的栈正是用于匹配开始和结束标签的方案。
对于Text 节点，我们则需要把相邻的Text节点合并起来，我们的做法是当词(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
同样我们来直观的看看解析过程：
<html maaa=a >
<head>
<title>cool</title>
</head>
<body>
<img src="a" />
</body>
</html>
通过这个栈，我们可以构建DOM树
- 栈顶元素就是当前节点;
- 遇到属性,就添加到当前节点
- 到文本节点，如果当前节点是文本节点，则跟文本节点合并，否则入栈成为当前节点的子节点
- 遇到注释节点，作为当前节点的子节点
- 遇到tag start 就入栈一个节点，当前节点就是这个节点的父节点
- 遇到tag end 就出栈一个节点(还可以检查是否匹配)
网友评论