解析HTML前期准备工作备忘

前段时间写了一个html解析程序，主要用途是清理用户使用在线编辑器不当时产生的无用代码。这种清理工作单靠正则完成非常困难，因为客户端情况的不可知是绝对的。但后来该项目因为其他原因暂缓，为防止重新启动时接不上茬，把开发过程中的一些琐碎事项记录备忘。

HTML非常松散。虽然xhtml强制xml规范的推广，但遵守何种规范构造web页绝对是一相情愿就足够的事。也正因为如此，在html5有关技术规范发布以后，xhtml处境相当尴尬。有些我们平习以为常的规则，比如属性分属性名/值两部分并用等号分割，属性值在右侧并用双引号封闭；比如标签必须封闭；比如html的命名空间等等，这些都是xhtml的规范要求，请与html规范区分开。如果我们使用类似fck的网页编辑器，尤其是早期版本，至少ie浏览器不会按照xhtml规范来生成代码。所以如果我们不想让用户编辑完后看到的东西和最初出入太大的话，解析程序必须以html作为解析规范。

HTML三条规则；其他一些特殊字符也只有在此基础上，才会对html语义的判断起到作用。

1. （<）(我称之为“左尖括号”，简称“左尖”)为标签的开始；
2. （>）（右尖）为标签的结束；
3. 左尖之后必须为字符、'/'、'!'，否则左尖无效，忽略为文字。

几个特殊字符：单引号(')、双引号(")、左斜杠(/)和叹号(!)：

1. 左斜杠判断标签类型。左斜杠出现在左尖后，则标签为一个环绕标签的封闭标签，比如<p>...</p>；出现在右尖前，则标签是一个单独封闭标签，比如<img /> <br />。有些特殊标签可以环绕封闭也可以单独封闭，并且封闭时不强求有左斜杠，比如<p />、<p><p>、<br />、<br>等等。
2. 单、双引号的判断属性。单双引号用于环绕属性值，可以不加，但若加了则必须成对，否则会造成标签破损无法解析。属性有可能只有名，比如<input type="button" disabled />
3. 左斜杠后为叹号(!)的，有两种标签：DOCType声明和注释。这两种标签在任何规范下都是不用左斜杠(/)封闭的。
4. 容错：由于手头没有相关技术资料，我只能自己写一些坏的html代码在浏览器里测试，归纳了下面几点：
5. 当遇到左尖时，peek下一个字符做判断：如果是英文字符或者左斜杠、叹号，则该左尖为标签开始标记，否则是文本。当遇到多个左尖重复时，如下面代码：

<a href=# title=Enter>>>Enter<<</a>

通过判断下一个字符的情况，很容易看出archor的封闭标记将在'/'之前最后一个左尖开始

如果由一个左尖已经被认定为标签开始标记，后面的读取有若干情况：

1. 没有任何干扰和歧义，顺利读取属性完毕，逢第一个右尖结束标记。在下一个左尖认定前，进行文本的读取。
2. 属性标记中使用了引号，比较复杂：
   1. 如果引号没有配对封闭，FireFox3.6将尝试查找第一个右尖封闭标签；
   2. 如果引号配对封闭了，但是在下一个左尖之前没有右尖封闭出现，FireFox3.6则在该配对引号的封闭处结束该标签。
   3. 如果引号没有配对封闭，并且全文结束前没有右尖出现，则全文结束处封闭标签，其内中所有标记正常的属性均可起作用，FireFox3.6。
   4. 如果是FireFox4.x beta或者chrome，只要标签中存在引号没有配对封闭的属性，无条件停止解析。
   5. 引号配对封闭的属性值中的html字符不做解析。