Jsoup代码解读之五-parser(中)

转载自 Jsoup代码解读之五-parser(中)

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，

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:

<!-- lang: 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)：

<!-- lang: java -->
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 foundpublic 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 {...};}