Jsoup代码解读(5):parser(中)

代码结构

先介绍以下parser包里的主要类:

  • Parser

Jsoup parser的入口facade,封装了常用的parse静态方法。可以设置maxErrors,用于收集错误记录,默认是0,即不收集。与之相关的类有ParseError,ParseErrorList。基于这个功能,我写了一个PageErrorChecker来对页面做语法检查,并输出语法错误。

  • Token

保存单个的词法分析结果。Token是一个抽象类,它的实现有Doctype,StartTag,EndTag,Comment,Character,EOF6种,对应6种词法类型。

  • Tokeniser

保存词法分析过程的状态及结果。比较重要的两个字段是state和emitPending,前者保存状态,后者保存输出。其次还有tagPending/doctypePending/commentPending,保存还没有填充完整的Token。

  • CharacterReader

对读取字符的逻辑的封装,用于Tokenize时候的字符输入。CharacterReader包含了类似NIO里ByteBuffer的consume()、unconsume()、mark()、rewindToMark(),还有高级的consumeTo()这样的用法。

  • TokeniserState

用枚举实现的词法分析状态机。

  • HtmlTreeBuilder

语法分析,通过token构建DOM树的类。

  • HtmlTreeBuilderState

语法分析状态机。

  • TokenQueue

虽然披了个Token的马甲,其实是在query的时候用到,留到select部分再讲。

词法分析状态机

现在我们来讲讲HTML的词法分析过程。这里借用一下http://ued.ctrip.com/blog/?p=3295里的图,图中描述了一个Tag标签的状态转移过程,

这里忽略了HTML注释、实体以及属性,只保留基本的开始/结束标签,例如下面的HTML:

<div>test</div>

Jsoup里词法分析比较复杂,我从里面抽取出了对应的部分,就成了我们的miniSoupLexer(这里省略了部分代码,完整代码可以看这里MiniSoupTokeniserState):

enum MiniSoupTokeniserState implements ITokeniserState {
 /**
 * 什么层级都没有的状态
 * ⬇
 * <div>test</div>
 * ⬇
 * <div>test</div>
 */
 Data {
 // in data state, gather characters until a character reference or tag is found
 public void read(Tokeniser t, CharacterReader r) {
 switch (r.current()) {
 case '<':
 t.advanceTransition(TagOpen);
 break;
 case eof:
 t.emit(new Token.EOF());
 break;
 default:
 String data = r.consumeToAny('&', '<', nullChar);
 t.emit(data);
 break;
 }
 }
 },
 /**
 * ⬇
 * <div>test</div>
 */
 TagOpen {
 ...
 },
 /**
 * ⬇
 * <div>test</div>
 */
 EndTagOpen {
 ...
 },
 /**
 * ⬇
 * <div>test</div>
 */
 TagName {
 ...
 };
}

参考这个程序,可以看到Jsoup的词法分析的大致思路。分析器本身的编写是比较繁琐的过程,涉及属性值(区分单双引号)、DocType、注释、HTML实体,以及一些错误情况。不过了解了其思路,代码实现也是按部就班的过程。

下一节开始介绍语法分析部分。

最后还是附上我的Jsoup解读系列文章及代码地址:

https://github.com/code4craft/jsoup-learning

本系列:



相关文章

发表评论

Comment form

(*) 表示必填项

还没有评论。

跳到底部
返回顶部