加载部分HTML文本（即主资源）后便可以开始解析HTML元素(对输入字节流进行逐字扫描，识别HTML元素)，最后生成DOM树，本文只讲HTML解析。

HTML解析部分时序图：

其中最为重要的过程是(1)startToken(2)nextToken(3)endToken(4)constructTreeFromHTMLToken，这里的4步是循环执行的，当输入字符结束时，则跳出循环。

HTMLTokenizer::nextToken则创建了token，然后可以根据token创建html元素，解析的整个过程就是一个状态机

HTML解析状态机：

初始状态为DataState，状态机结束后会返回一个HTMLToken对象，不同的结束方式（上图中有三个出口1、2、3）HTMLToken的类型也会不同。

class HTMLToken {

    enum Type {

        Uninitialized,

        DOCTYPE,

        StartTag,

        EndTag,

        Comment,

        Character,

        EndOfFile,

    };

} ;

对于1结束位置：Type=EndOfFile

对于2结束位置：Type=Character

对于3结束位置：解析注释-Type=Comment，解析文档类型-Type=DOCTYPE，解析标签（Type=StartTag/EndTag）

子状态机/解析注释：

子状态机/解析文档类型：

子状态机/解析标签名、属性名、属性值

最后以一个简单的HTML为例，描述解析过程：

<!Doctype html>
<!--comment-->
<html>
<body>
<p>First name:</p>
<input type="text"/>
</body>
</html>

1.解析文档类型

'<!Doctype html>'，DataState状态迁移到TagOpenState状态

'<!Doctype html>'，TagOpenState状态迁移到MarkupDeclarationOpenState状态

'<!Doctype html>'，MarkupDeclarationOpenState状态迁移到DOCTYPEState状态

'<!Doctype html>'，DOCTYPEState状态迁移到BeforeDOCTYPENameState状态

'<!Doctype html>'，BeforeDOCTYPENameState状态迁移到DOCTYPENameState状态，并执行beginDOCTYPE

'<!Doctype html>'，DOCTYPENameState状态迁移到DOCTYPENameState状态，并执行appendToName

'<!Doctype html>'，结束

2、解析注释

'<!--comment-->'，DataState状态迁移到TagOpenState状态

'<!--comment-->'，TagOpenState状态迁移到MarkupDeclarationOpenState状态

'<!--comment-->'，MarkupDeclarationOpenState状态迁移到CommentStartState状态

'<!--comment-->'，CommentStartState状态迁移到CommentState状态，并执行appendToComment

'<!--comment-->'，CommentState状态迁移到CommentState状态，并执行appendToComment

'<!--comment-->'，CommentState状态迁移到CommentEndDashState状态

'<!--comment-->'，CommentEndDashState状态迁移到CommentEndState状态

'<!--comment-->'，结束

3、解释'html'元素

'<html>'，DataState状态迁移到TagOpenState状态

'<html>'，TagOpenState状态迁移到TagNameState状态，并执行beginStartTag

'<html>'，TagNameState状态迁移到TagNameState状态，并执行appendToName

'<html>'，结束

4、解释'body'和'p'元素，同3

6、解析'p'元素内容

'First name:</p>'，DataState状态迁移到DataState状态，并执行bufferCharacter

'First name:</p>'，DataState状态迁移到DataState状态，并执行bufferCharacter

'First name:</p>'，判断bufferCharacter是否存在字符，存在则结束

7、解析'/p'元素

'</p>'，DataState状态迁移到TagOpenState状态

'</p>'，TagOpenState状态迁移到EndTagOpenState状态

'</p>'，EndTagOpenState状态迁移到TagNameState状态，并执行beginEndTag

'</p>'，结束

8、解析'input'元素

'<input type="text" />'，DataState -> TagOpenState

'<input type="text" />'，TagOpenState -> TagNameState，并执行beginStartTag

'<input type="text" />'，TagNameState -> TagNameState，并执行appendToName

'<input type="text" />'，TagNameState -> BeforeAttributeNameState

'<input type="text" />'，BeforeAttributeNameState -> AttributeNameState，并执行beginAttribute

'<input type="text" />'，AttributeNameState -> AttributeNameState，并执行appendToAttributeName

'<input type="text" />'，AttributeNameState -> BeforeAttributeValueState

'<input type="text" />'，BeforeAttributeValueState -> AttributeValueDoubleQuotedState

'<input type="text" />'，BeforeAttributeValueState -> AttributeValueDoubleQuotedState，并执行appendToAttributeValue

'<input type="text" />'，AttributeValueDoubleQuotedState -> AttributeValueDoubleQuotedState，并执行appendToAttributeValue

'<input type="text" />'，AttributeValueDoubleQuotedState -> AfterAttributeValueQuotedState，并执行endAttribute

'<input type="text" />'，AfterAttributeValueQuotedState-> BeforeAttributeNameState

'<input type="text" />'，BeforeAttributeNameState-> SelfClosingStartTagState

'<input type="text" />'，结束，并执行setSelfClosing

9、解析'/body'和'/html'元素，同7

参考文章：

http://blog.csdn.net/dlmu2001/article/details/5998130

Webkit之HTML解析的更多相关文章

  1. fedora环境安装webkit支持作爬虫下载解析JS

    环境: 我使用的fedora19.1-xfce版本,属于redhat系的桌面环境. 1.安装 webkit源码安装webkit失败,这里提供的是yum安装方式. a.查看当前yum库中的webkit资 ...

  2. webkit模块介绍

    一.Webkit模块   用到的第三方库如下:   cairo 一个2D绘图库 casqt Unicode处理用的库,从QT中抽取部分代码形成的 expat 一个XML SAX解析器的库 freety ...

  3. 浏览器内部工作原理--作者：Tali Garsiel

    本篇内容为转载,主要用于个人学习使用,作者:Tali Garsiel 一.介绍 浏览器可以被认为是使用最广泛的软件,本文将介绍浏览器的工作原理,我们将看到,从你在地址栏输入google.com到你看到 ...

  4. How browsers work

    这几天翻译一篇旧文 How browsers work ( 以现代浏览器chrome.火狐.safari 为对象来分析),这篇文章网上有其他的翻译版本,自己再翻译一遍主要是练习阅读英文文章,而且自己翻 ...

  5. 如何在html中做圆角矩形和 只有右边的"分隔线"

    这个网站满好的,可以常看看 css-matic中有几个很好的写css可视化的工具 其实做css 版式布局等都可以有工具的 推荐40个优秀的免费CSS工具 debugger正则表达式在线 其实是对(理论 ...

  6. 通过nginx配置文件抵御攻击

    通过nginx配置文件抵御攻击 囧思九千 · 2013/11/12 12:22 0x00 前言 大家好,我们是OpenCDN团队的Twwy.这次我们来讲讲如何通过简单的配置文件来实现nginx防御攻击 ...

  7. 【转】CSS3 transition规范的实际使用经验

    原文转自:http://blog.jobbole.com/56243/ 本篇文章主要讲述CSS3 transition规范和在不同浏览器之间的使用差异,关于具体解决方法或如何规避问题的意见可以参考另一 ...

  8. Python分布式爬虫原理

    转载 permike 原文 Python分布式爬虫原理 首先,我们先来看看,如果是人正常的行为,是如何获取网页内容的. (1)打开浏览器,输入URL,打开源网页 (2)选取我们想要的内容,包括标题,作 ...

  9. CSS3 transition规范的实际使用经验

    本篇文章主要讲述CSS3 transition规范和在不同浏览器之间的使用差异,关于具体解决方法或如何规避问题的意见可以参考另一篇非常有见地的文章,“All You Need to Know Abou ...

随机推荐

  1. MATLAB制作符合IEEE标准的图插入Latex

    1.MATLAB最好保存为eps格式,虽然IEEE也支持png等其他格式,但是MATLAB在保存为png格式时,很容易在后期插图时,出现分辨率不足等问题. 2. MATLAB在save as图片的时候 ...

  2. Just do it!!!

    从今日起,开个开发自己个人轻量级博客,加油!!!!!

  3. ADO.NET 数据访问类查询、属性扩展

    今天,我首先在之前所做的人员管理系统的基础上,利用数据访问类进行了所有人员信息的查询. 主程序代码: List<Users> Ulist = new UsersData().Select( ...

  4. SpringMVc上传excel或csv文件

    1.JSP页面代码 <form enctype=""multipart/form-data" method="post"> <inp ...

  5. Python 学习笔记8

    在最想放弃的时候 想想美好的事情 想想明天. 今天继续看错误与异常. http://www.pythondoc.com/pythontutorial3/errors.html

  6. qsort函数辅助函数compare函数的编写

    qsort的第四个参数,辅助函数compare的关于不同排序对象的不同写法: 一.对int类型数组排序 ]; int compare(const void *a, const void *b) { r ...

  7. FreeMarker 小结

    一.Sequence 的内置函数1.sequence?first 返回sequence 的第一个值.2.sequence?last 返回sequence 的最后一个值.3.sequence?rever ...

  8. CDOJ 1324 卿学姐与公主 分块

    题目地址 分块模板 #include<cstdio> #include<algorithm> #include<math.h> using namespace st ...

  9. Spring 接收表单List集合数据

    4种方法,详情见:http://blog.csdn.net/lutinghuan/article/details/46820023 第一种: 1.新增类,其中有属性为该对象的集合 public cla ...

  10. 3. Shell 基本运算符

    1. 概述 1.1 Shell 支持多种运算符,包括以下几种 算数运算符 关系运算符 布尔运算符 字符串运算符 文件测试运算符 1.2 原生bash不支持简单的数学运算,但是可以通过其他命令来实现,例 ...