AST解析基础: 如何写一个简单的html语法分析库

前言

虚拟语法树(Abstract Syntax Tree, AST)是解释器/编译器进行语法分析的基础, 也是众多前端编译工具的基础工具, 比如webpack, postcss, less等. 对于ECMAScript, 由于前端轮子众多, 人力过于充足, 早已经被人们玩腻了. 光是语法分析器就有 uglify , acorn , bablyon , typescript , esprima 等等若干种. 并且也有了AST的社区标准: ESTree。

这篇文章主要介绍如何去写一个AST解析器, 但是并不是通过分析JavaScript, 而是通过分析 html5 的语法树来介绍, 使用 html5 的原因有两点: 一个是其语法简单, 归纳起来只有两种: Text 和 Tag , 其次是因为JavaScript的语法分析器已经有太多太多, 再造一个轮子毫无意义, 而对于 html5 , 虽然也有不少的AST分析器, 比如 htmlparser2 , parser5 等等, 但是没有像 ESTree 那么标准, 同时, 这些分析器都有一个问题: 那就是定义的语法树中无法对标签属性进行操作. 所以为了解决这个问题, 才写了一个html的语法分析器, 同时定义了一个完善的AST结构, 然后再有的这篇文章。

AST定义

为了跟踪每个节点的位置属性, 首先定义一个基础节点, 所有的结点都继承于此结点:

1. export interface IBaseNode { 
2.   start: number;  // 节点起始位置 
3.   end: number;    // 节点结束位置 
4. } 

如前所述, html5的语法类型最终可以归结为两种: 一种是 Text , 另一种是 Tag , 这里用一个枚举类型来标志它们.

1. export enum SyntaxKind { 
2.   Text = 'Text', // 文本类型 
3.   Tag  = 'Tag',  // 标签类型 
4. } 

对于文本, 其属性只有一个原始的字符串 value , 因此结构如下:

1. export interface IText extends IBaseNode { 
2.   type: SyntaxKind.Text; // 类型 
3.   value: string;         // 原始字符串 
4. } 

而对于 Tag , 则应该包括标签开始部分 open , 属性列表 attributes , 标签名称 name , 子标签/文本 body , 以及标签闭合部分 close :

1. export interface ITag extends IBaseNode { 
2.   type: SyntaxKind.Tag;  // 类型 
3.   open: IText;           // 标签开始部分, 比如 "1"> 
4.   name: string;          // 标签名称, 全部转换为小写 
5.   attributes: IAttribute[];  // 属性列表 
6.   body: Array // 子节点列表, 如果是一个非自闭合的标签, 并且起始标签已结束, 则为一个数组 
7.     | void                  // 如果是一个自闭合的标签, 则为void 0 
8.     | null;                 // 如果起始标签未结束, 则为null 
9.   close: IText              // 关闭标签部分, 存在则为一个文本节点 
10.     | void                  // 自闭合的标签没有关闭部分 
11.     | null;                 // 非自闭合标签, 但是没有关闭标签部分 
12. } 

标签的属性是一个键值对, 包含名称 name 及值 value 部分, 定义结构如下:

1. export interface IAttribute extends IBaseNode { 
2.   name: IText;  // 名称 
3.   value: IAttributeValue | void; // 值 
4. } 

其中名称是普通的文本节点, 但是值比较特殊, 表现在其可能被单/双引号包起来, 而引号是无意义的, 因此定义一个标签值结构:

1. export interface IAttributeValue extends IBaseNode { 
2.   value: string; // 值, 不包含引号部分 
3.   quote: '\'' | '"' | void; // 引号类型, 可能是', ", 或者没有 
4. } 

Token解析

AST解析首先需要解析原始文本得到符号列表, 然后再通过上下文语境分析得到最终的语法树.

相对于JSON, html虽然看起来简单, 但是上下文是必需的, 所以虽然JSON可以直接通过token分析得到最终的结果, 但是html却不能, token分析是第一步, 这是必需的. (JSON解析可以参考我的另一篇文章: 徒手写一个JSON解析器(Golang) ).

token解析时, 需要根据当前的状态来分析token的含义, 然后得出一个token列表.

首先定义token的结构:

1. export interface IToken { 
2.   start: number;    // 起始位置 
3.   end: number;      // 结束位置 
4.   value: string;    // token 
5.   type: TokenKind;  // 类型 
6. } 

Token类型一共有以下几种:

1. export enum TokenKind { 
2.   Literal     = 'Literal',      // 文本 
3.   OpenTag     = 'OpenTag',      // 标签名称 
4.   OpenTagEnd  = 'OpenTagEnd',   // 开始标签结束符, 可能是 '/', 或者 '', '--' 
5.   CloseTag    = 'CloseTag',     // 关闭标签 
6.   Whitespace  = 'Whitespace',   // 开始标签类属性值之间的空白 
7.   AttrValueEq = 'AttrValueEq',  // 属性中的= 
8.   AttrValueNq = 'AttrValueNq',  // 属性中没有引号的值 
9.   AttrValueSq = 'AttrValueSq',  // 被单引号包起来的属性值 
10.   AttrValueDq = 'AttrValueDq',  // 被双引号包起来的属性值 
11. } 

Token分析时并没有考虑属性的键/值关系, 均统一视为属性中的一个片段, 同时, 视 = 为一个

特殊的独立段片段, 然后交给上层的 parser 去分析键值关系. 这么做的原因是为了在token分析

时避免上下文处理, 并简化状态机状态表. 状态列表如下:

1. enum State { 
2.   Literal              = 'Literal', 
3.   BeforeOpenTag        = 'BeforeOpenTag', 
4.   OpeningTag           = 'OpeningTag', 
5.   AfterOpenTag         = 'AfterOpenTag', 
6.   InValueNq            = 'InValueNq', 
7.   InValueSq            = 'InValueSq', 
8.   InValueDq            = 'InValueDq', 
9.   ClosingOpenTag       = 'ClosingOpenTag', 
10.   OpeningSpecial       = 'OpeningSpecial', 
11.   OpeningDoctype       = 'OpeningDoctype', 
12.   OpeningNormalComment = 'OpeningNormalComment', 
13.   InNormalComment      = 'InNormalComment', 
14.   InShortComment       = 'InShortComment', 
15.   ClosingNormalComment = 'ClosingNormalComment', 
16.   ClosingTag           = 'ClosingTag', 
17. } 

整个解析采用函数式编程, 没有使用OO, 为了简化在函数间传递状态参数, 由于是一个同步操作,

这里利用了JavaScript的事件模型, 采用全局变量来保存状态. Token分析时所需要的全局变量列表如下:

1. let state: State          // 当前的状态 
2. let buffer: string        // 输入的字符串 
3. let bufSize: number       // 输入字符串长度 
4. let sectionStart: number  // 正在解析的Token的起始位置 
5. let index: number         // 当前解析的字符的位置 
6. let tokens: IToken[]      // 已解析的token列表 
7. let char: number          // 当前解析的位置的字符的UnicodePoint 

在开始解析前, 需要初始化全局变量:

1. function init(input: string) { 
2.   state        = State.Literal 
3.   buffer       = input 
4.   bufSize      = input.length 
5.   sectionStart = 0 
6.   index        = 0 
7.   tokens       = [] 
8. } 

然后开始解析, 解析时需要遍历输入字符串中的所有字符, 并根据当前状态进行相应的处理

(改变状态, 输出token等), 解析完成后, 清空全局变量, 返回结束.

1. export function tokenize(input: string): IToken[] { 
2.   init(input) 
3.   while (index < bufSize) { 
4.     char = buffer.charCodeAt(index) 
5.     switch (state) { 
6.     // ...根据不同的状态进行相应的处理 
7.     // 文章忽略了对各个状态的处理, 详细了解可以查看源代码 
8.     } 
9.     index++ 
10.   } 
11.   const _nodes = nodes 
12.   // 清空状态 
13.   init('') 
14.   return _nodes 
15. } 

语法树解析

在获取到token列表之后, 需要根据上下文解析得到最终的节点树, 方式与tokenize相似，均采用全局变量保存传递状态, 遍历所有的token, 不同之处在于这里没有一个全局的状态机。

因为状态完全可以通过正在解析的节点的类型来判断。

1. export function parse(input: string): INode[] { 
2.   init(input) 
3.   while (index < count) { 
4.     token = tokens[index] 
5.     switch (token.type) { 
6.       case TokenKind.Literal: 
7.         if (!node) { 
8.           node = createLiteral() 
9.           pushNode(node) 
10.         } else { 
11.           appendLiteral(node) 
12.         } 
13.         break 
14.       case TokenKind.OpenTag: 
15.         node = void 0 
16.         parseOpenTag() 
17.         break 
18.       case TokenKind.CloseTag: 
19.         node = void 0 
20.         parseCloseTag() 
21.         break 
22.       default: 
23.         unexpected() 
24.         break 
25.     } 
26.     index++ 
27.   } 
28.   const _nodes = nodes 
29.   init() 
30.   return _nodes 
31. } 

不太多解释, 可以到GitHub查看源代码.

结语

项目已开源, 名称是 html5parser , 可以通过npm/yarn安装:

1. npm install html5parser -S  
2. # OR  
3. yarn add html5parser 

或者到GitHub查看源代码: acrazing/html5parser 。

目前对正常的HTML解析已完全通过测试, 已知的BUG包括对注释的解析, 以及未正常结束的

输入的解析处理(均在语法分析层面, token分析已通过测试).

作者：佚名

来源：51CTO