最近有理会HTML的需求，在Java中，好用的HTML理会框架也较量多，如JSoup,HTMLParser, JTidy等等。在比拟几款框架之后，最终选取了HTMLParser做为第一版实现的框架。所以对HTMLParser的源码举办了一次整理。由于这种理会类的框架内部细节出格多，所以这里并不会出格的存眷所有细节，而是偏重梳理HTMLParser整个理会的流程。

类图

对我而言，画类图是进修一个框架源码较量直接的方法，一是有利于本身梳理逻辑，二是今后本身看类图照旧会很容易遐想起个中的一些细节。所以，这里放出类图，下面会对主要的类源码举办阐明。

整体先容

HTMLParser主要靠Node来暗示一个节点，细分为Text、Remark和Tag，通过以上三种形式的组合来暗示Html，个中Text接口暗示纯文本，Remark暗示注释，Tag暗示标签。

Parser是直接对外提供处事的类，其parse要领可以返回整个HTML文档被转换后的NodeList。

Lexer直译过来为词法阐明措施，它主要认真将Html转换为Node节点的，其nextNode要领使我们后文阐明的重点。Lexer与Parser的干系就像老板与员工，Parser是对外谈生意的，Lexer才是实打实干活的店员。

Page暗示整个HTML文档，但它内里的主要逻辑都交由Source认真，Source是对HTML源的一个抽象，HTMLParser中有InputStreamSource与StringSource两种实现，前一种可以处理惩罚网络可能文件类的流信息，后者可以处理惩罚纯文本的HTML。

理会流程

HTMLParser的利用很是简朴，如下就是最根基的形式:

Parser parser = new Parser(TEXT);
NodeList list = parser.parse(null);

个中的TEXT可以使纯文本HTML，也可以是一个url，HTMLParser内部会自动判定，可是其判定的逻辑很是简朴:

length = resource.length ();
html = false;
for (int i = 0; i < length; i++)
{
     ch = resource.charAt (i);
     if (!Character.isWhitespace (ch))
     {
          if ('<' == ch)
               html = true;
          break;
     }
}

只是判定了首个不为空缺的字符是否为<。

接下来我们主要看Parser的parse要领:

public NodeList parse (NodeFilter filter) throws ParserException
{
        NodeIterator e;
        Node node;
        NodeList ret;
        ret = new NodeList ();
        for (e = elements (); e.hasMoreNodes (); )
        {
            node = e.nextNode ();
            if (null != filter)
                node.collectInto (ret, filter);
            else
                ret.add (node);
        }
       return (ret);
}

整体来看，这个函数并没有做什么对象，独一大概巨大的就是在变量e（NodeIterator）的获取上，我们追进elements要领：

public NodeIterator elements () throws ParserException
{
    return (new IteratorImpl (getLexer (), getFeedback ()));
}

这个要领最终返回了IteratorImpl实例，getLexer要领获取了前面说过认真将Html转换为Node节点的Lexer，Lexer的实例是在Parser的结构函数中建设的，getFeedback要领返回的是ParserFeedback的一个实例，它的主要浸染就是输出一些信息。所以，我们主要来看下IteratorImpl的结构函数的实现：

public IteratorImpl (Lexer lexer, ParserFeedback fb)
{
        mLexer = lexer;
        mFeedback = fb;
        mCursor = new Cursor (mLexer.getPage (), 0);
}

首先，缓存变量lexer与fb，紧接着，生成Cursor变量，这个Cursor用来暗示当前处理惩罚的位置信息。

紧接着，我们来看IteratorImpl的hasMoreNodes要领：

public boolean hasMoreNodes() throws ParserException
{  
     boolean ret;
     mCursor.setPosition (mLexer.getPosition ());
     ret = Page.EOF != mLexer.getPage ().getCharacter (mCursor); // more characters?
     return (ret);
}

这里需要明晰的是，mLexer是用来处理惩罚HTML的，所以它知道当前处理惩罚的位置，而这个位置，劳务派遣管理系统，就用cursor暗示。Page暗示整个HTML文档，所以，它可以按照cursor的信息来查询当前cursor所对应的字符。因此，上述函数翻译过来就是查察当前处理惩罚的节点是否为竣事符，假如是，则暗示没有更多节点了，返回false。

接下来，来看nextNode函数,这里省略一些异常处理惩罚：

ret = mLexer.nextNode ();
if (null != ret)
{
     // kick off recursion for the top level node
     if (ret instanceof Tag)
     {
             tag = (Tag)ret;
             if (!tag.isEndTag ())
             {
                        // now recurse if there is a scanner for this type of tag
              scanner = tag.getThisScanner ();
              if (null != scanner)
              {
                    stack = new NodeList ();
                   ret = scanner.scan (tag, mLexer, stack);
              }
         }
    }
}
return ret;