HTML解析篇-浏览器
本文摘要说明现代浏览器是如何解析HTML的：
渲染引擎 Rendering engines
渲染引擎的职责就是渲染，即在浏览器窗口中显示所请求的内容。
默认情况下，渲染引擎可以显示html、xml文档及图片，它也可以借助插件（一种浏览器扩展）显示其他类型数据，例如使用PDF阅读器插件，可以显示PDF格式，将由专门一章讲解插件及扩展，这里只讨论渲染引擎最主要的用途——显示应用了CSS之后的html及图片。
主流程 The main flow
渲染引擎首先通过网络获得所请求文档的内容，通常以8K分块的方式完成。
下面是渲染引擎在取得内容之后的基本流程：
解析html以构建dom树->构建render树->布局render树->绘制render树
图2：渲染引擎基本流程
渲染引擎开始解析html，并将标签转化为内容树中的dom节点。接着，它解析外部CSS文件及style标签中的样式信息。这些样式信息以及html中的可见性指令将被用来构建另一棵树——render树。
Render树由一些包含有颜色和大小等属性的矩形组成，它们将被按照正确的顺序显示到屏幕上。
Render树构建好了之后，将会执行布局过程，它将确定每个节点在屏幕上的确切坐标。再下一步就是绘制，即遍历render树，并使用UI后端层绘制每个节点。
值得注意的是，这个过程是逐步完成的，为了更好的用户体验，渲染引擎将会尽可能早的将内容呈现到屏幕上，并不会等到所有的html都解析完成之后再去构建和布局render树。它是解析完一部分内容就显示一部分内容，同时，可能还在通过网络下载其余内容。
图3：webkit主流程
图4：Mozilla的Geoko 渲染引擎主流程
从图3和4中可以看出，尽管webkit和Gecko使用的术语稍有不同，他们的主要流程基本相同。Gecko称可见的格式化元素组成的树为frame树，每个元素都是一个frame，webkit则使用render树这个名词来命名由渲染对象组成的树。Webkit中元素的定位称为布局，而Gecko中称为回流。Webkit称利用dom节点及样式信息去构建render树的过程为attachment，Gecko在html和dom树之间附加了一层，这层称为内容接收器，相当制造dom元素的工厂。下面将讨论流程中的各个阶段。
HTML解析
跟HTML的变体XHTML不同，HTML更宽容，它允许忽略一些特定标签，有时可以省略开始或结束标签，这个特点让HTML的解析更加困难。
1.使用解析算法 The parsing algorithm进行符号化和构建树
符号化是词法分析的过程，将输入解析为符号，html的符号包括开始标签、结束标签、属性名及属性值。
符号识别器识别出符号后，将其传递给树构建器，并读取下一个字符，以识别下一个符号，这样直到处理完所有输入。
2.符号识别算法 The tokenization algorithm
基本示例——符号化下面的html：
<html>
<body>
Hello world
body>
html>初始状态为“Data State”，当遇到“<”字符，状态变为“Tag open state”，读取一个a－z的字符将产生一个开始标签符号，状态相应变为“Tag name state”，一直保持这个状态直到读取到“>”，每个字符都附加到这个符号名上，例子中创建的是一个html符号。
当读取到“>”，当前的符号就完成了，此时，状态回到“Data state”，“”重复这一处理过程。到这里，html和body标签都识别出来了。现在，回到“Data state”，读取“Hello world”中的字符“H”将创建并识别出一个字符符号，这里会为“Hello world”中的每个字符生成一个字符符号。
这样直到遇到“”中的“<”。现在，又回到了“Tag open state”，读取下一个字符“/”将创建一个闭合标签符号，并且状态转移到“Tag name state”，还是保持这一状态，直到遇到“>”。然后，产生一个新的标签符号并回到“Data state”。后面的“”将和“”一样处理。
图10：符号化示例输入
3.树的构建算法 Tree construction algorithm
来看一下示例中树的创建过程：
<html>
<body>
Hello world
body>
html>首先是“initial mode”，接收到html符号后将转换为“before html”模式，在这个模式中对这个符号进行再处理。此时，创建了一个HTMLHtmlElement元素，并将其附加到根Document对象上。
状态此时变为“before head”，接收到body符号时，即使这里没有head符号，也将自动创建一个HTMLHeadElement元素并附加到树上。
现在，转到“in head”模式，然后是“after head”。到这里，body符号会被再次处理，将创建一个HTMLBodyElement并插入到树中，同时，转移到“in body”模式。
然后，接收到字符串“Hello world”的字符符号，第一个字符将导致创建并插入一个text节点，其他字符将附加到该节点。
接收到body结束符号时，转移到“after body”模式，接着接收到html结束符号，这个符号意味着转移到了“after after body”模式，当接收到文件结束符时，整个解析过程结束。
步骤就是先生成HTML解析符号，再将符号构建成Element树
CSS解析
未完待续…
<html>
<head>
<meta http-equiv="content-type" content="text/html;charset=utf-8" />
head>
<body>
<div style="font-family: msyh;text-align: center;">
<h2>早发白帝城h2>
<div style="padding: 20px 20px; background-color: rgb(250, 192, 143);font-family: simkai;">
朝辞白帝彩云间，千里江陵一日还。<br />
两岸猿声啼不住，轻舟已过万重山。<br />
div>
<h2>赠汪伦h2>
<div style="padding: 20px 20px; background-color: rgb(250, 192, 143);font-family: simkai;">
李白乘舟将欲行，忽闻岸上踏歌声。<br />
桃花潭水深千尺，不及汪伦送我情。<br />
div>
<h2>望庐山瀑布h2>
<div style="padding: 20px 20px; background-color: rgb(250, 192, 143);font-family: simkai;">
日照香炉生紫烟，遥看瀑布挂前川。<br />
飞流直下三千尺，疑是银河落九天。<br />
div>
div>
<div style="text-shadow: 5px 5px 5px #787878;color: #fff;background-color: #CDC9C9;">
<p><span style="margin-right: 10px;">☆span>发：启程。白帝城：故址在今重庆市奉节县白帝山上。p>
<p><span style="margin-right: 10px;">☆span>踏歌：唐代民间流行的一种手拉手、两足踏地为节拍的歌舞形式，可以边走边唱。p>
<p><span style="margin-right: 10px;">☆span>桃花潭：在今安徽泾县西南一百里。《一统志》谓其深不可测。深千尺：诗人用潭水深千尺比喻汪伦与他的友情，运用了夸张的手法。p>
div>
body>
html>