词法分析 Tokenizer

优质

小牛编辑

130浏览

2023-12-01

上一篇文章讲到了状态机和词法分析的基本知识，这一节我们来分析Jsoup是如何进行词法分析的。

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，

lexer

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。