本文作者：hfliu
文章来源：携程UED
解析算法
如我们前面看到的，HTML无法使用自上而下或自下而上的解析器来解析。
理由如下：
- 语言的宽容特点
- 浏览器需要对无效HTML提供容错性的事实。
- 解析过程的反复。通常解析过程中源码不会变化。但在HTML中，script标签包含"document.write"时可以添加内容，即解析过程实际上还会改变源码。
浏览器创建了自己的解析器来解析HTML文档。
HTML5规范里对解析算法有具体的说明，解析由两部分组成：分词与构建树。
分词属于词法分析部分，它把输入解析成符号序列。在HTML中符号就是开始标签，结束标签，属性名称和属生值。
分词器识别这些符号并将其送入树构建者，然后继续分析处理下一个符号，直到输入结束。
图 6: HTML解析流程 (源自HTML5规范)
分词算法
算法的输出是HTML符号。算法可以用状态机来描述。 每一个状态从输入流中消费一个或多个字符，并根据它们更新下一状态。决策受当前符号状态和树的构建状态影响。这意味着同样的字符可能会产生不同的结果，取决于当前的状态。算法太复杂，我们用一个例子来看看它的原理。
基础示例，分析下面的标签:
- <html>
- <body>
- Hello world
- body>
- html>
初始状态是"Data state"，当遇到"<"时状态改为"Tag open state"。吃掉"a-z"字符组成的符号后产生了"Start tag token"，状态变更为"Tag name state"。我们一直保持此状态，直到遇到">"。每个字符都被追加到新的符号名上。在我们的例子中，解出的符号就是"html"。
当碰到">"时，当前符号完成，状态改回"Data state"。""标签将会以同样的方式处理。现在"html"与"body"标签都完成了，我们回到"Data state"状态。吃掉"H"（"Hello world"第一个字母）时会产生一个字符符号，直到碰到""的"<"符号，我们就完成了一个字符符号"Hello world"。
现在我们回到"Tag open state"状态。吃掉下一个输入"/"时会产生一个"end tag token"并变更为"Tag name state"状态。同样，此状态保持到我们碰到">"时。这时新标签符号完成，我们又回到"Data state"。同样""也会被这样处理。
图 9: 示例输入源的分词处理
树的构建算法
当解析器被创建时，文档对象也被创建了。在树的构建过程中DOM树的根节点（Documen）将被修改，元素被添加到上面去。每个分词器完成的节点都会被树构建器处理。规范中定义了每一个符号与哪个DOM对象相关。除了把元素添加到DOM树外，它还会被添加到一个开放元素堆栈。这个堆栈用于纠正嵌套错误和标签未关闭错误。这个算法也用状态机描述，它的状态叫做"insertion modes"。
让我们看看下面输入的树构建过程：
- <html>
- <body>
- Hello world
- body>
- html>
树的构建过程中，输入就是分词过程中得到的符号序列。第一个模式叫"initial mode"。接收 html 符号后会变成"before html"模式并重新处理此模式中的符号。这会创建一个HTMLHtmlElement元素并追加到根文档节点。
然后状态改变为"before head"。我们收到"body"时，会隐式创建一个HTMLHeadElement，尽管我们没有这个标签，它也会被创建并添加到树中。
现在我们进入"in head"模式，然后是"after head"，Body会被重新处理，创建HTMLBodyElement元素并插入，然后进入"in body"模式。
字符符号"Hello world"收到后会创建一个"Text"节点，所有字符都被一一追加到上面。
收到body结束标签后进入 "after body" 模式，收到html结束标签后进入"after after body"模式。所有符号处理完后将终止解析。
图 10: 示例HTML树的构建