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:
- export interface IBaseNode {
- start: number; // 节点起始位置
- end: number; // 节点结束位置
- }
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.
- export enum SyntaxKind {
- Text = 'Text', // 文本类型
- Tag = 'Tag', // 标签类型
- }
对于文本, 其属性只有一个原始的字符串 value , 因此结构如下:
- export interface IText extends IBaseNode {
- type: SyntaxKind.Text; // 类型
- value: string; // 原始字符串
- }
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 :
- export interface ITag extends IBaseNode {
- type: SyntaxKind.Tag; // 类型
- open: IText; // 标签开始部分, 比如 <div id="1">
- name: string; // 标签名称, 全部转换为小写
- attributes: IAttribute[]; // 属性列表
- body: Array<ITag | IText> // 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
- | void // 如果是一个自闭合的标签, 则为void 0
- | null; // 如果起始标签未结束, 则为null
- close: IText // 关闭标签部分, 存在则为一个文本节点
- | void // 自闭合的标签没有关闭部分
- | null; // 非自闭合标签, 但是没有关闭标签部分
- }
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:
- export interface IAttribute extends IBaseNode {
- name: IText; // 名称
- value: IAttributeValue | void; // 值
- }
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:
- export interface IAttributeValue extends IBaseNode {
- value: string; // 值, 不包含引号部分
- quote: '\'' | '"' | void; // 引号类型, 可能是', ", 或者没有
- }
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:
- export interface IToken {
- start: number; // 起始位置
- end: number; // 结束位置
- value: string; // token
- type: TokenKind; // 类型
- }
Token类型一共有以下几种:
- export enum TokenKind {
- Literal = 'Literal', // 文本
- OpenTag = 'OpenTag', // 标签名称
- OpenTagEnd = 'OpenTagEnd', // 开始标签结束符, 可能是 '/', 或者 '', '--'
- CloseTag = 'CloseTag', // 关闭标签
- Whitespace = 'Whitespace', // 开始标签类属性值之间的空白
- AttrValueEq = 'AttrValueEq', // 属性中的=
- AttrValueNq = 'AttrValueNq', // 属性中没有引号的值
- AttrValueSq = 'AttrValueSq', // 被单引号包起来的属性值
- AttrValueDq = 'AttrValueDq', // 被双引号包起来的属性值
- }
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:
- enum State {
- Literal = 'Literal',
- BeforeOpenTag = 'BeforeOpenTag',
- OpeningTag = 'OpeningTag',
- AfterOpenTag = 'AfterOpenTag',
- InValueNq = 'InValueNq',
- InValueSq = 'InValueSq',
- InValueDq = 'InValueDq',
- ClosingOpenTag = 'ClosingOpenTag',
- OpeningSpecial = 'OpeningSpecial',
- OpeningDoctype = 'OpeningDoctype',
- OpeningNormalComment = 'OpeningNormalComment',
- InNormalComment = 'InNormalComment',
- InShortComment = 'InShortComment',
- ClosingNormalComment = 'ClosingNormalComment',
- ClosingTag = 'ClosingTag',
- }
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:
- let state: State // 当前的状态
- let buffer: string // 输入的字符串
- let bufSize: number // 输入字符串长度
- let sectionStart: number // 正在解析的Token的起始位置
- let index: number // 当前解析的字符的位置
- let tokens: IToken[] // 已解析的token列表
- 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:
- function init(input: string) {
- state = State.Literal
- buffer = input
- bufSize = input.length
- sectionStart = 0
- index = 0
- tokens = []
- }
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.
- export function tokenize(input: string): IToken[] {
- init(input)
- while (index < bufSize) {
- char = buffer.charCodeAt(index)
- switch (state) {
- // ...根据不同的状态进行相应的处理
- // 文章忽略了对各个状态的处理, 详细了解可以查看源代码
- }
- index++
- }
- const _nodes = nodes
- // 清空状态
- init('')
- return _nodes
- }
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。
- export function parse(input: string): INode[] {
- init(input)
- while (index < count) {
- token = tokens[index]
- switch (token.type) {
- case TokenKind.Literal:
- if (!node) {
- node = createLiteral()
- pushNode(node)
- } else {
- appendLiteral(node)
- }
- break
- case TokenKind.OpenTag:
- node = void 0
- parseOpenTag()
- break
- case TokenKind.CloseTag:
- node = void 0
- parseCloseTag()
- break
- default:
- unexpected()
- break
- }
- index++
- }
- const _nodes = nodes
- init()
- return _nodes
- }
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:
- npm install html5parser -S
- # OR
- 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
