非标准的xml解析器的C++实现：一、思考基本数据结构的设计

前言：

我在C++项目中使用xml作为本地简易数据管理，到目前为止有5年时间了，从最初的全文搜索标签首尾，直到目前项目中实际运用的类库细致到已经基本符合w3c标准，我一共写过3次解析器，我自己并没有多喜欢xml，对于xml最初的需求是客户提出的，有了第一次，就有后来的无数次使用xml的场景，配置文件，数据交换，GUI布局，直到现在，新建一个项目，它基本与日志一样成为了一个必备的功能，哪怕在我已经实现了它的替代方案json的当下情况，我依然认为它还有足够顽强的生命力，举个简单例子，用户看json觉得费劲，看不懂，但用户看xml却很容易，客户第一，大家都懂的。所以在跨平台应用中，它的地位依然坚挺。写下这篇文章，表示我正在第4次写xml解析器。

我第三次写的xml解析，除了xml声明里的东西，已经基本符合xml1.0标准了，文档类型定义，命名空间，都按照w3c规范来设计，说起来相当可笑，这些东西，符合标准，实现花了大量时间，但近两年的时间里，一次都没有被我运用到项目中，根本没有实际场景，需要由文档携带逻辑的地方，都已经被我在C++处理清楚了。

在几年前，我首先参考了html，在js中的getElementById，element.innerHTML之类的东西，是必要实现的。

从element.innerHTML来看，如果不做细节处理，这种方式的内存占用随文档深度增加而增加，没有极限。

所以，一个xml节点完整携带它所有子节点文本的方案，是不可取的。

所以当年我思考了一种方案：

dom中只存在一份完整的文档

解析到具体节点的数据，统一使用位置与长度来保存，

需要获取文档数据时，直接从完整文档中根据位置和长度拷贝出来，

这种方式，开始写的时候，是美好的，直到最后写到删，改，索引逻辑的时候，才发现我当时脑子有坑，坑里有翔，翔里有蛆，蛆里下毒@#￥%。

因为最坏的情况，通过dom修改一个文档数据，需要遍历整个文档的所有节点将新的位置与长度改变，但是当时由于项目在赶工，没有充足的时间让我推翻重来，所以只能硬着头皮这么干，好在，用了几年，没出什么大问题，但由于一直没时间，这个问题这几年一直是我最大的心病，没错的，我有强迫症。

好吧，经验教训总结够了，在我开始动手写代码之前，在这里给我的具体实现方案做足功课，同时，给想做，正在做这件事的人提个醒，能够少走弯路。

开始思考吧：结合了经验教训，这次我打算将一个完整的文档分裂成字符串链表来储存在内存里，用一些简单的文档来模拟，应该怎么做。

我这一次不打算实现标准需求里的由文档携带逻辑的部分内容，例如DTD，namespace我打算抛弃掉。

<a>
    <b>1</b>
</a>

上面这个文档，拆分为字符串链表：{"<a>", "<b>", "1", "</b>", "<a>"}，在C++中，使用std::list<std::string>来储存。

所以节点数据结构应该设计成：

struct xnode{
    std::list<std::string>::iterator tag_name;//标签名称
    std::list<std::string>::iterator inner_begin, inner_end;//内部文本首尾
    std::list<xnode> childs;//子节点
    xnode *parent;//父节点
    std::list<xnode>::iterator self;//自己在父结点中的迭代位置，它的前后节点，拷贝之后，通过运算符++ --来获取。
};

---------------------------------------------------

xnode root;

解析文档后，

root.tag_name => "<a>"

root.inner_begin => "<b>"

root.inner_end => "</a>"

root.childs.begin() 就是标签<b>的节点，我这里临时用b来表示它。

b.tag_name => "<b>";

b.inner_begin => "1";

b.inner_end => "</b>";

这样子，我需要实现获取innerText的逻辑时，只需要：

std::string str;

for(auto i = elem.inner_begin; i != elem.inner_end; ++i)

str += *i;

第一步看起来并没有坑点，希望这个方向是正确的，然后使用一个更复杂一点的文档来看看：

<a attr1='1' attr2 = "2">
    <b attr1='1' attr2 = "2">xxx</b>
</a>

涉及到标签属性，情况变得复杂了

首先，把一个标签名称包括属性，如果分裂掉，可能会存在很多1个字符，也由一个std::string来储存的问题。

然后是，解析器的性能也降低了，同时，后续的innerText字符串拼接，也会受到影响。

所以需要诞生另外一个容器，用来储存标签名称，属性？

std::map<std::string, std::list<xnode*>>，可以同时实现记录标签名称，以及根据标签索引实现getElementByTagName这种东西。

属性名称 通常在定义上，等同于常量，重复使用的概率会很大，所以应该是：std::set<std::string> ?

属性值 通常是变量，易变的概率很大，采用跟 属性名称统一的方式好像不是很适合，但属性值好像同样可能出现很多重复的字符串，例如true false之类的。

所以属性值，应该设计为：std::map<std::string, unsigned int> 将val设计为引用计数，为0时，erase掉，emm..不太可能有什么神经病用来解析40亿个节点的文档，所以unsigned int足够了。

所以，思考到这，大致的文档源数据结构出来了：

struct xsource{
    std::list<std::string> docs;
    std::map<std::string, std::list<xnode*>> tags;
    std::set<std::string> attr_names;
    std::map<std::string, unsigned int> attr_values;
};

由此带来的xnode结构的变化之后是：

struct xattr{
    std::set<std::string>::iterator name;
    std::map<std::string, unsigned int> value;
};

struct xnode{
    std::map<std::string, std::list<xnode*>>::iterator tag;
    std::list<xnode*>::iterator itag;//用来在删除标签时，从xsource.docs中删除节点指针。
    std::list<xattr> attrs;
    std::list<std::string>::iterator inner_begin, inner_end;
    std::list<xnode> childs;
    xnode *parent;
    std::list<xnode>::iterator self;
};

今晚就思考到这，我明天先初步按这个思路实现看看。

未完待续...