parse

baseparser

解析一段 html 文本时，可以先将其解析为简单的对象，然后在对属性和文本进行进一步的加工来丰富每个解析节点对象。最终形成一颗 AST。

第一步 --- 想要什么

对于一点 html 文本，解析之前，应该知道我们想要什么，比如 <div id="app">name</div>，在看到这段文本时，我们的解析目标应该

• 解析出标签的名字，即 tagName = div
• 解析出属性，即 attrList = [id = "app"]
• 解析出中间文本，也就是子元素，即 children = ['name']

上面的期望汇集一下，就得到了期望得到的节点对象

const astNode = {
  tagName: "div",
  attrList: ['id = "app"'],
  children: ["name"],
};

这只是最原始的 AST 节点，但是这也是我们必须解析出来的结构。对于一段 html 字符串而言，解析出这三部分，我们需要不断地对输入的字符串进行操作，解析一段，就截掉解析的这一段，一遍往下进行。

第二步 --- 配套资料收集

对于字符串操作而言，遍历字符串是每个人都能想到的，而且这种方法可行。但是这里选择使用正则去整体匹配一段字符串，这样子会更快地解析出一段 html 包含的 ast 结构。

既然解析的目标是 html 字符串，那不妨先列举出要用到的正则。

// 开始标签
const startTag =
  /^<((?:[a-zA-Z_][\-\.0-9_a-zA-Za-zA-Z\u00B7\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u037D\u037F-\u1FFF\u200C-\u200D\u203F-\u2040\u2070-\u218F\u2C00-\u2FEF\u3001-\uD7FF\uF900-\uFDCF\uFDF0-\uFFFD]*\:)?[a-zA-Z_][\-\.0-9_a-zA-Za-zA-Z\u00B7\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u037D\u037F-\u1FFF\u200C-\u200D\u203F-\u2040\u2070-\u218F\u2C00-\u2FEF\u3001-\uD7FF\uF900-\uFDCF\uFDF0-\uFFFD]*)/;

// 开始标签结束
const startTagClose = /^\s*(\/?)>/;

// 结束标签
const endTag = /^<\/([a-zA-Z_][\-\.0-9_a-zA-Za-zA-Z\u00B7\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u037D\u037F-\u1FFF\u200C-\u200D\u203F-\u2040\u2070-\u218F\u2C00-\u2FEF\u3001-\uD7FF\uF900-\uFDCF\uFDF0-\uFFFD]*[^>]*)>/

上面的正则是无耻的从 vue 源码中直接扣出来的，如果你想了解这些正则的匹配模式，可以在这里 输入正则查看。

到这里，思想和资料已经准备完毕，下面就开始动手写出能解析出第一步结构的解析函数

第三步 --- 动手

注意，这里的代码不是一步到位的，需要一步步的去完善，最终达到我们的效果。接下来，将从解析一段 html 字符串开始。

给出需要解析的第一段 html 字符串：<div></div>

function parse(input) {
    let root = null // 用来保存解析到的 ast 节点
    let tagName = '' // 当前正在解析的标签名称
    // 不管怎么样，都要遍历字符串
    while(input) {
        let textEnd = input.indexOf('<')
        if(textEnd === 0){
            // < 打头的，可能是开始标签，也可能是结束标签，也可能只是个 <
            // 首先尝试匹配开始标签
            const match = input.match(startTag)
            if(match){
                // 说明是开始标签
                input = input.slice(match[0].length)
                // 检查标签是否正常闭合
                const closeStart = input.match(startTagClose)
                if(closeStart){
                    input = input.slice(closeStart[0].length)
                    // 表示标签正常闭合
                    root = {
                        tagName: match[1]
                    }
                    if(closeStart[1] === '/'){
                        // 表示是自闭合标签
                        input = input.slice(closeStart[0].length)
                        continue;
                    }
                    tagName = root.tagName
                }
            }
            const matchEnd = input.match(endTag)
            if(matchEnd){
                // 说明匹配到了结束标签
                if(matchEnd[1] !== tagName){
                    // 结束和开始标签不配对，说明不是合法标签，不进行保存
                    root = null
                    break
                }
                input = input.slice(matchEnd[0].length)
            }
        }
    }
    return root
}

console.log('parse', parse('<div></div>'));

上述代码是一个流程代码，建立在若干假设的基础上：

• 当字符串的开头是 < 时，就认为是 开始标签 、结束标签、文本其中的一个。

  • 这里先不考虑是文本 的情况，所以只能是前两种

• 存在两种闭合标签

  • 自闭合标签 <b />
  • 双标签闭合 <div></div>

明确了这两种前提，整个流程就清晰起来了。检测到字符串是以< 开头，则一次做开始标签匹配、结束标签匹配。

开始标签的处理

// 匹配开始标签
const match = input.match(startTag)
if(match){
    // 说明是开始标签
    input = input.slice(match[0].length)
    // 检查标签是否正常闭合
    const closeStart = input.match(startTagClose)
    if(closeStart){
        // 标签正常闭合
        input = input.slice(closeStart[0].length)
        root = {
            tagName: match[1]
        }
        if(closeStart[1] === '/'){
            // 表示是自闭合标签
            input = input.slice(closeStart[0].length)
            continue;
        }
        tagName = root.tagName
    }
}

对开始标签的处理并不难，难点在于你知道 match 的内容，下面举例说明：

const a = '<div>'

const match = a.match(startTag)

/**
 * match 的主要内容如下：
 * 
 * [
 *    '<div',  // 匹配到的部分
 *    'div'    // 匹配到的标签名
 * ]
 * 
*/

要确保开始标签完整闭合，这才是一个完整的开始标签，所以就有了：

const a = '>'

const closeStart = input.match(startTagClose)

/**
 * match 的主要内容如下：
 * 
 * [
 *    '>',  // 匹配到的部分
 *    undefined    // 如果是自闭合标签，这里是 /
 * ]
 * 
*/

至此，一个开始标签完整的匹配完毕，下面整理一下思路：

对于 <div> 这个字符串

1. 匹配 <div 部分，获得标签名 div
2. 匹配 1 中剩余的部分 > 来确定标签是否是个完整的标签 2.1 如果匹配到了 / 说明是自闭合标签，整个标签匹配结束 2.2 没有匹配到 / 说明不是自闭合标签，开始标签结束

结束标签的处理

const matchEnd = input.match(endTag)
if(matchEnd){
    // 说明匹配到了结束标签
    if(matchEnd[1] !== tagName){
        // 结束和开始标签不配对，说明不是合法标签，不进行保存
        root = null
        break
    }
    input = input.slice(matchEnd[0].length)
}

结束标签的处理相对来说简单很多，只需要确认下开始和结束的标签名是否对应的上就行。

总结

这篇文章简要的分析了解析 html 字符串需要的准备以及简要的实现。这里可以解析没有属性和子元素的 html 字符串。存在很多不足之处，后面将会有一些列文章来完善这个解析过程，最终获得一个完整的类似 vue complier 的 ast 树。

最后附上一个代码流程图链接