Jsoup代碼解讀之二-DOM相關對象

以前在文章中說到，Jsoup使用了一套本身的DOM對象體系，和Java XML API互不兼容。這樣作的好處是從XML的API裏解脫出來，使得代碼精煉了不少。這篇文章會說明Jsoup的DOM結構，DOM的遍歷方式。在下一篇文章，我會並結合這兩個基礎，分析一下Jsoup的HTML輸出功能。

DOM結構相關類

咱們先來看看nodes包的類圖：

這裏能夠看到，核心無疑是Node類。

Node類是一個抽象類，它表明DOM樹中的一個節點，它包含：

• 父節點parentNode以及子節點childNodes的引用
• 屬性值集合attributes
• 頁面的uribaseUri，用於修正相對地址爲絕對地址
• 在兄弟節點中的位置siblingIndex，用於進行DOM操做

Node裏面包含一些獲取屬性、父子節點、修改元素的方法，其中比較有意思的是absUrl()。咱們知道，在不少html頁面裏，連接會使用相對地址，咱們有時會須要將其轉變爲絕對地址。Jsoup的解決方案是在attr()的參數開始加"abs:"，例如attr("abs:href")，而absUrl()就是其實現方式。我寫的爬蟲框架webmagic裏也用到了相似功能，當時是本身手寫的，看到Jsoup的實現，才發現本身是白費勁了，代碼以下：

<!-- lang: java -->
URL base;
try {
    try {
        base = new URL(baseUri);
    } catch (MalformedURLException e) {
        // the base is unsuitable, but the attribute may be abs on its own, so try that
        URL abs = new URL(relUrl);
        return abs.toExternalForm();
    }
    // workaround: java resolves '//path/file + ?foo' to '//path/?foo', not '//path/file?foo' as desired
    if (relUrl.startsWith("?"))
        relUrl = base.getPath() + relUrl;
    // java URL自帶的相對路徑解析    
    URL abs = new URL(base, relUrl);
    return abs.toExternalForm();
} catch (MalformedURLException e) {
    return "";
}

Node還有一個比較值得一提的方法是abstract String nodeName()，這個至關於定義了節點的類型名(例如Document是'#Document'，Element則是對應的TagName)。

Element也是一個重要的類，它表明的是一個HTML元素。它包含一個字段tag和classNames。classNames是"class"屬性解析出來的集合，由於CSS規範裏，"class"屬性容許設置多個，並用空格隔開，而在用Selector選擇的時候，即便只指定其中一個，也可以選中其中的元素。因此這裏就把"class"屬性展開了。Element還有選取元素的入口，例如select、getElementByXXX，這些都用到了select包中的內容，這個留到下篇文章select再說。

Document是表明整個文檔，它也是一個特殊的Element，即根節點。Document除了Element的內容，還包括一些輸出的方法。

Document還有一個屬性quirksMode，大體意思是定義處理非標準HTML的幾個級別，這個留到之後分析parser的時候再說。

DOM樹的遍歷

Node還有一些方法，例如outerHtml()，用做節點及文檔HTML的輸出，用到了樹的遍歷。在DOM樹的遍歷上，用到了NodeVisitor和NodeTraversor來對樹的進行遍歷。NodeVisitor在上一篇文章提到過了，head()和tail()分別是遍歷開始和結束時的方法，而NodeTraversor的核心代碼以下：

<!-- lang: java -->
public void traverse(Node root) {
    Node node = root;
    int depth = 0;

    //這裏對樹進行後序(深度優先)遍歷
    while (node != null) {
        //開始遍歷node
        visitor.head(node, depth);
        if (node.childNodeSize() > 0) {
            node = node.childNode(0);
            depth++;
        } else {
            //沒有下一個兄弟節點，退棧
            while (node.nextSibling() == null && depth > 0) {
                visitor.tail(node, depth);
                node = node.parent();
                depth--;
            }
            //結束遍歷
            visitor.tail(node, depth);
            if (node == root)
                break;
            node = node.nextSibling();
        }
    }
}

這裏使用循環+回溯來替換掉了咱們經常使用的遞歸方式，從而避免了棧溢出的風險。

實際上，Jsoup的Selector機制也是基於NodeVisitor來實現的，能夠說NodeVisitor是更加底層和靈活的API。

在下一篇博客我會講講Document的輸出。