該文章有更新，請(qǐng)移步 http://pickerel./admin/blogs/267912

說(shuō)到用Javascript解析html，大家肯定會(huì)想到dom或者正則表達(dá)式，但這兩個(gè)都不是我今天我要說(shuō)的。dom很不錯(cuò)，不過(guò)效率不高，而且必須將要解析的html插入到當(dāng)前頁(yè)面或者建立一個(gè)iframe才能進(jìn)行，而用正則表達(dá)式，又有太過(guò)繁瑣和難以維護(hù)的問(wèn)題。

有人要說(shuō)了，ruby、php、python有了那么多開源的優(yōu)秀的html解析的類庫(kù)，什么beautiful soap，什么Mechanize，什么Hpricot，什么ScRUBYt，你為什么非要自討苦吃用javascript來(lái)干這活呢？

答案是：如果只允許你用javascript和html開發(fā)程序呢，比如開發(fā)adobe air的程序，比如下一步我要做的基于基于內(nèi)嵌webkit組件的Android應(yīng)用快速開發(fā)框架，有時(shí)候，輪子還是得自己造的。

我的這個(gè)解析實(shí)現(xiàn)只是雛形，它以Erik Arvidsson開發(fā)的SimpleHtmlParser 作為html的分析器。SimpleHtmlParser是一個(gè)基于Sax模型實(shí)現(xiàn)的html分析器，他能分析非標(biāo)準(zhǔn)的xml的格式的html別把轉(zhuǎn)換作為一個(gè)標(biāo)準(zhǔn)的xml處理。有了這個(gè)解析器做基礎(chǔ)，我寫了個(gè)簡(jiǎn)單的html_extractor，用來(lái)分析html并獲取指定標(biāo)記內(nèi)的內(nèi)容。

html_extractor的使用

new html_extractor(html): 指定html字符串創(chuàng)建一個(gè)html_extractor對(duì)象

方法：

tag(tagName):設(shè)定一個(gè)待匹配的元素名，返回結(jié)果為當(dāng)面的html_extractor對(duì)象

attr(attrName, attrValue):設(shè)定匹配的屬性條件，attr必須在tag后，返回結(jié)果為當(dāng)面的html_extractor對(duì)象

match(innerOrNot):執(zhí)行匹配，返回結(jié)果為符合條件的字符串?dāng)?shù)組。

示例：

Js代碼  

1. html = "<div>div1</div>";  
2. //取出div標(biāo)記下的內(nèi)容，ret的結(jié)果是["div1"]  
3. var ret = new html_extractor(html).tag("div").match();  
4.   
5. html = "<div id=\"head\">head</div><div id=\"content\"><p><ul><li>item1</li><li>item2</li></ul></div>";         
6. //取出屬性id=content的div下的所有l(wèi)i下的內(nèi)容，返回結(jié)果將是["item1", "item2"]  
7. ret = new html_extractor(html).tag("div").attr("id", "content").tag("li").match();  
8.   
9. //提取baidu搜索結(jié)果  
10. ret = new html_extractor(html).tag("td").attr("class", "f").match();  
11. //提取google搜索結(jié)果  
12. ret = new html_extractor(html).tag("li").attr("class", "g").match();  

源代碼(當(dāng)前代碼還非常原始，進(jìn)攻參考，請(qǐng)慎重使用)

Js代碼  

1. var html_extractor = function(html)  
2. {  
3.     this.parser = new SimpleHtmlParser;  
4.     this.html  = html;  
5.     this.tags = [];  
6.     this.attrs = [];      
7. }  
8. html_extractor.prototype.tag = function(tag)  
9. {  
10.     this.tags.push(tag.toLowerCase());  
11.   
12.     return this;  
13. }  
14. html_extractor.prototype.attr = function(name, value)  
15. {  
16.     var len = this.tags.length - 1;  
17.     if (this.attrs[len] == undefined)this.attrs[len] = [];  
18.     this.attrs[len].push({name:name.toLowerCase(), value: value});  
19.     return this;  
20. }  
21. html_extractor.prototype.match = function(inner)  
22. {  
23.     var self = this;  
24.     var handler = function(){  
25.         this._tag_index = 0;  
26.         this._matched_tags = [];  
27.         this._matched = [];  
28.         this._result = "";  
29.         this.result = [];  
30.         this._all_matched = false;  
31.         for( var i = 0; i < self.tags.length; i++)this._matched[i] = false;  
32.         this.inner = true;  
33.         if (inner != undefined && inner != null)  
34.         {  
35.             this.inner = inner;  
36.         }  
37.   
38.     };  
39.     handler.prototype = {  
40.         startElement:   function (tag, attrs) {  
41.             this.tag_index++;  
42.             tag = tag.toLowerCase();  
43.             //air.trace("process tag:" + tag +  " " + this.tag_index);  
44.   
45.             if (this._all_matched )  
46.             {  
47.                 this._result += get_start_tag(tag, attrs);  
48.                 return;  
49.             }  
50.   
51.             for( var i = 0; i < this._matched.length; i++)  
52.             {  
53.                 //air.trace(i + ":" + this._matched[i]);  
54.                 if (!this._matched[i] )  
55.                 {  
56.                     if (self.tags[i] == tag)  
57.                     {  
58.                         this._matched[i] = true;  
59.                         if (self.attrs[i] != undefined)  
60.                         {  
61.                             for(var n = 0; n < self.attrs[i].length; n++)  
62.                             {  
63.                                 var attr = self.attrs[i][n];  
64.                                 if (attr != undefined)  
65.                                 {  
66.                                     if(attrs[attr.name] != attr.value)  this._matched[i] = false;  
67.                                 };  
68.                             }  
69.                         }  
70.                         if (this._matched[i] )  
71.                         {  
72.                              //todo callback  
73.                              //air.trace(i + ":" + this._matched[i] + " first");  
74.                              this._matched_tags[this.tag_index] = i;  
75.                              if (i == self.tags.length -1)  
76.                              {  
77.                                  this._all_matched = true;  
78.                                  if (!this.inner) this._result += get_start_tag(tag, attrs);  
79.                              }  
80.                              return;  
81.                         }  
82.                     }  
83.   
84.                     if (!this._matched[i] ){break;}  
85.   
86.                 }  
87.             }         
88.         },  
89.         endElement:     function (tag) {  
90.             tag = tag.toLowerCase();  
91.   
92.             if (this._matched_tags[this.tag_index] != undefined)  
93.             {  
94.                 this._matched[this._matched_tags[this.tag_index]] = false;  
95.                 if (this._all_matched)  
96.                 {  
97.                     if (!this.inner)this._result += "</" + tag +">";  
98.                     this.result.push(this._result);  
99.                     this._result = "";  
100.                     this._all_matched = false;  
101.                 }  
102.             }  
103.             else if (this._all_matched)  
104.             {  
105.                 this._result += "</" + tag +">";  
106.             }  
107.             //air.trace("finished tag:" + tag +  " " + this.tag_index);  
108.   
109.             this.tag_index--;  
110.         },  
111.         characters:     function (s) { if(this._all_matched)this._result += s;},  
112.         comment:        function (s) {}  
113.     };  
114.     this.parser.contentHandler = new handler;  
115.   
116.     this.parser.parse(this.html);     
117.     //reset  
118.     this.tags = [];  
119.     this.attrs = [];  
120.     return this.parser.contentHandler.result;  
121. }  
122. function get_start_tag(tag, attrs)  
123. {  
124.     var ret = "<" + tag;  
125.     for (var key in attrs)  
126.     {  
127.         value = attrs[key];  
128.         ret += " " + key + "=\"" + value + "\"";  
129.   
130.     }  
131.     ret += ">";  
132.     return ret;  
133. }  
134.   
135. /** SimpleHtmlParser 
136.  * Original code by Erik Arvidsson, Mozilla Public License 
137.  * http://erik./simplehtmlparser/simplehtmlparser.js 
138.  */  
139.   
140. /* 
141. var handler ={ 
142.     startElement:   function (sTagName, oAttrs) {}, 
143.     endElement:     function (sTagName) {}, 
144.     characters:     function (s) {}, 
145.     comment:        function (s) {} 
146. }; 
147. */  
148.   
149. function SimpleHtmlParser()  
150. {  
151. }  
152.   
153. SimpleHtmlParser.prototype = {  
154.   
155.     handler:    null,  
156.   
157.     // regexps  
158.   
159.     startTagRe: /^<([^>\s\/]+)((\s+[^=>\s]+(\s*=\s*((\"[^"]*\")|(\'[^']*\')|[^>\s]+))?)*)\s*\/?\s*>/m,  
160.     endTagRe:   /^<\/([^>\s]+)[^>]*>/m,  
161.     attrRe:     /([^=\s]+)(\s*=\s*((\"([^"]*)\")|(\'([^']*)\')|[^>\s]+))?/gm,  
162.   
163.     parse:  function (s, oHandler)  
164.     {  
165.         if (oHandler)  
166.             this.contentHandler = oHandler;  
167.   
168.         var i = 0;  
169.         var res, lc, lm, rc, index;  
170.         var treatAsChars = false;  
171.         var oThis = this;  
172.         while (s.length > 0)  
173.         {  
174.             // Comment  
175.             if (s.substring(0, 4) == "<!--")  
176.             {  
177.                 index = s.indexOf("-->");  
178.                 if (index != -1)  
179.                 {  
180.                     this.contentHandler.comment(s.substring(4, index));  
181.                     s = s.substring(index + 3);  
182.                     treatAsChars = false;  
183.                 }  
184.                 else  
185.                 {  
186.                     treatAsChars = true;  
187.                 }  
188.             }  
189.   
190.             // end tag  
191.             else if (s.substring(0, 2) == "</")  
192.             {  
193.                 if (this.endTagRe.test(s))  
194.                 {  
195.                     lc = RegExp.leftContext;  
196.                     lm = RegExp.lastMatch;  
197.                     rc = RegExp.rightContext;  
198.   
199.                     lm.replace(this.endTagRe, function ()  
200.                     {  
201.                         return oThis.parseEndTag.apply(oThis, arguments);  
202.                     });  
203.   
204.                     s = rc;  
205.                     treatAsChars = false;  
206.                 }  
207.                 else  
208.                 {  
209.                     treatAsChars = true;  
210.                 }  
211.             }  
212.             // start tag  
213.             else if (s.charAt(0) == "<")  
214.             {  
215.                 if (this.startTagRe.test(s))  
216.                 {  
217.                     lc = RegExp.leftContext;  
218.                     lm = RegExp.lastMatch;  
219.                     rc = RegExp.rightContext;  
220.   
221.                     lm.replace(this.startTagRe, function ()  
222.                     {  
223.                         return oThis.parseStartTag.apply(oThis, arguments);  
224.                     });  
225.   
226.                     s = rc;  
227.                     treatAsChars = false;  
228.                 }  
229.                 else  
230.                 {  
231.                     treatAsChars = true;  
232.                 }  
233.             }  
234.   
235.             if (treatAsChars)  
236.             {  
237.                 index = s.indexOf("<");  
238.                 if (index == -1)  
239.                 {  
240.                      this.contentHandler.characters(s);  
241.                     s = "";  
242.                 }  
243.                 else  
244.                 {  
245.                     this.contentHandler.characters(s.substring(0, index));  
246.                     s = s.substring(index);  
247.                 }  
248.             }  
249.   
250.             treatAsChars = true;  
251.         }  
252.     },  
253.   
254.     parseStartTag:  function (sTag, sTagName, sRest)  
255.     {  
256.         var attrs = this.parseAttributes(sTagName, sRest);  
257.         this.contentHandler.startElement(sTagName, attrs);  
258.     },  
259.   
260.     parseEndTag:    function (sTag, sTagName)  
261.     {  
262.         this.contentHandler.endElement(sTagName);  
263.     },  
264.   
265.     parseAttributes:    function (sTagName, s)  
266.     {  
267.         var oThis = this;  
268.         var attrs = {};  
269.         s.replace(this.attrRe, function (a0, a1, a2, a3, a4, a5, a6)  
270.         {  
271.             //attrs.push(oThis.parseAttribute(sTagName, a0, a1, a2, a3, a4, a5, a6));  
272.             attr = oThis.parseAttribute(sTagName, a0, a1, a2, a3, a4, a5, a6);  
273.             attrs[attr.name] = attr.value;  
274.         });  
275.         return attrs;  
276.     },  
277.   
278.     parseAttribute: function (sTagName, sAttribute, sName)  
279.     {  
280.         var value = "";  
281.         if (arguments[7])  
282.             value = arguments[8];  
283.         else if (arguments[5])  
284.             value = arguments[6];  
285.         else if (arguments[3])  
286.             value = arguments[4];  
287.   
288.         var empty = !value && !arguments[3];  
289.         return {name: sName.toLowerCase(), value: empty ? null : value};  
290.     }  
291. };