詳解一個完美的HTML解析引擎（Jumony）

也許很多人會認為，目前的HTML解析器已經足夠了，甚至於簡單的正規則，也已經可以滿足操縱HTML文件的需求。是的，對於網路上絕大多數的 HTML文檔，事實上都大部分都滿足了XHTML的規​​範，對於它們的解析，並不需要多麼強大的解析器。但是強大的解析器是一回事，而完美的解析器又是另一回事。

Jumony Core首先提供了一個近乎完美的HTML解析引擎，其解析結果無限逼近瀏覽器的解析結果。不論是無結束標籤的元素，可選結束標籤的元素，或標記屬性，或CSS選擇器和样式，一切合法的，不合法的HTML文檔，瀏覽器解析成啥樣，Jumony就解析成啥樣。也就是說，Jumony解析的結果，與瀏覽器解析的結果別無二致，讓你可以再也不用關心HTML文檔是否可以被識別，瀏覽器能看，Jumony就能解。

完美且強大隻有一步之遙，但是完美的解析器可以讓你永遠不用關心HTML來源文件。

以下是Jumony解析器所支援的特性不完全列表

特性	例子
孤立的7f19db43d97d2d4008bb10f655c09c49解析为文本	3499910bf9dac5ae3c52d5ede7383485>5db79b134e9f6b82c0b36e0489ee08ed应当解析为3499910bf9dac5ae3c52d5ede7383485>5db79b134e9f6b82c0b36e0489ee08ed
标记属性（没有值的属性）	f396c7ee6581b8a2c1feb962c201109c
元素丢失结束标签	e388a4556c0f65e1904146cc1a846bee43091600189d2e5d073500b021ca54e8测试链接94b3e26ee717c64999d7867364b1b4a3
可选结束标签元素 "body", "colgroup", "dd", "dt", "head", "html", "li", "option", "p", "tbody", "td", "tfoot", "th", "thead", "tr"	e388a4556c0f65e1904146cc1a846beeabce388a4556c0f65e1904146cc1a846bee123
无结束标签元素 "area", "base", "basefont", "br", "col", "frame", "hr", "img", "input", "isindex", "link", "meta" , "param", "wbr", "bgsound", "spacer", "keygen"	4faf7b57895b870867b99beee44351ac
CData元素	#3f1c4e4b6b16bbbd69b2ee476dc4f83aif ( 11027f152cc5b3cb62c2e445c3c9a350d" );2cacc6d41bbb37262a98f745aa00fbf0
#"script", "style", "textarea", "title"	#
預先格式化元素	e03b848252eb9375d56be284e690e873    前面有空格bc5574f69a0cba105bc93bd3dc13c4ec
#屬性值使用單引號	##0dbfd9bc5d3c7c92cbdc7be3251a6bb2
屬性值使用雙引號	ec88d21db654cc30aafefec4c485de7d
屬性值遺失（但有等號）	2de933bd81cf0e954926b4b4a48640c3
屬性值前面有空格	05797ff6bfecf7b84525904378753179
解析HTML聲明	#8b05045a5be5764f313ed5b9168a17e6

########################################################## ###

不僅僅是可以從文本中解析HTML，Jumony的API可以從互聯網上直接抓取文檔分析，並根據HTTP頭自動識別編碼：

new JumonyParser().LoadDocument( "www.php.cn/" ).Find( ".post_item a.titlelnk" )

而目前僅次於Jumony的HTML解析開源專案HtmlAgilityPack早已停止了更新，這麼多年過去了，對於最基本的ff9c23ada1bcecdd1a0fb5d5a0f18437元素的解析都還存在問題。

二、CSS樣式設定支援

只是完美解析HTML，並不能帶來多少好處，上面已經說過，事實上大部分的HTML文檔，都​​可以用二流的解析器甚至是簡單的正規表示式加以分析，那為什麼我們需要Jumony呢？

答案是一個HTML引擎不只是解析DOM結構這麼簡單。

考慮這樣的場景：我需要為一個元素的display樣式設定一個none值。在瀏覽器中，我們只需要簡單的 element.style.display = "none"可以滿足我們的要求。現在，透過解析器已經得到了我們所需的DOM，但設定樣式還需要進行字串的拼接麼？

不需要，Jumony支援CSS樣式解析，甚至部分CSS樣式縮寫規則也能識別，在Jumony中，給元素設定一個樣式和在瀏覽器中一樣簡單：

element.Style( "display", "none" )

我們再來看這樣的範例：7cd3a19f7494deb2fc114a1203d0dae994b3e26ee717c64999d7867364b1b4a3，如果我們對這個元素設定padding-left: 0px會怎麼樣？

在Jumony中，結果會是：

<p style="padding-left: 0px; padding-right: 5px; padding-top:5px; padding-bottom: 5px"></p>

看，padding屬性被神奇的自動展開了。

三、CSS 3選擇器支援

CSS選擇器是HTML世界通行的查詢語言，其簡潔有力且被眾多瀏覽器支援。 Jumony也支援幾乎完整的CSS3選擇器（除去運行時偽類及偽物件）。借助選擇器，我們可以輕鬆的在HTML中找到我們感興趣的物件。例如抓取部落格園首頁所有文章標題：

new JumonyParser().LoadDocument( "www.php.cn/" ).Find( ".post_item a.titlelnk" )

抓取，分析，選擇，一氣呵成，只需要簡單的程式碼，我們就能在控制台輸出我們抓取到的資料：

 foreach( var title = new JumonyParser().LoadDocument( "www.php.cn/" ).Find( ".post_item a.titlelnk" ) )
  Console.WriteLine( title.InnerText() );

Jumony支援的CSS3選擇器清單：

##p+a選擇相鄰元素p~a選擇後繼元素[attr]屬性存在選擇#[attr=value]屬性值精確匹配##[ attr~=value]#[attr^=value][attr*=value][attr$=value][attr!=value]##: not#:only-child:only-of-type

選擇器	描述
##*	選擇所有元素
#p a	選擇子代元素
p>a	#選擇子級元素
屬性值近似匹配
屬性值開頭符合
屬性值包含匹配
屬性值結尾符合
屬性值否定符合
否定偽類別
唯一子元素偽類別
##唯一型別偽類別	:empty
空元素偽類別	: nth-child
結構化偽類別	#:nth-last-child
#結構化偽類別	:nth-of-type
結構化偽類別
:nth-last-of-type	#結構化偽類別
:first-child	#結構化偽類別
:last-child	結構化偽類別
#:first-of-type	結構化偽類別
:last-of-type	結構化偽類別

#四、強大的可擴展性

在Jumony Core 3，為使用者提供了最大的可擴展性，你可以自訂HTML規範，實作自己的解析器，將其他DOM模型嫁接到Jumony API上，發明自己的CSS選擇器偽類，甚至於自己換一套API，例如jQuery風格的。

Jumony Core擁有許多的衍生項目，例如爬取網站，提供jQuery風格的API、進行網站開發、製作MHT檔案、為HAP的解析結果增加CSS選擇器支援等等，這些項目都得歸功於Jumony Core強大的可擴充性，從而發揮強大的功能。

【相關推薦】

1. 免費html線上影片教學

2. html開發手冊

3. php.cn原始html5影片教學

以上是詳解一個完美的HTML解析引擎（Jumony）的詳細內容。更多資訊請關注PHP中文網其他相關文章！