正文
WebKit Inside: DOM树的构建
提示：扫一扫查出行【扫一扫了解最新限行尾号】
复制提示
当客户端App主进程创建WKWebView对象时，会创建另外两个子进程:渲染进程与网络进程。主进程WKWebView发起请求时，先将请求转发给渲染进程，渲染进程再转发给网络进程，网络进程请求服务器。如果请求的是一个网页，网络进程会将服务器的响应数据HTML文件字符流吐给渲染进程。渲染进程拿到HTML文件字符流，首先要进行解析，将HTML文件字符流转换成DOM树，然后在DOM树的基础上，进行渲染操作，也就是布局、绘制。最后渲染进程将渲染数据吐给主进程WKWebView，WKWebView根据渲染数据创建对应的View展现视图。整个流程如下图所示:
什么是DOM树
渲染进程获取到HTML文件字符流，会将HTML文件字符流转换成DOM树。下图中左侧是一个HTML文件，右边就是转换而成的DOM树。
可以看到DOM树的根节点是HTMLDocument，代表整个文档。根节点下面的子节点与HTML文件中的标签是一一对应的，比如HTML中的
<head>
标签就对应DOM树中的head节点。同时HTML文件中的文本，也成为DOM树中的一个节点，比如文本'Hello, World!'，在DOM树中就成为div节点的子节点。
在DOM树中每一个节点都是具有一定方法与属性的对象，这些对象由对应的类创建出来。比如HTMLDocument节点，它对应的类是class HTMLDocument，下面是HTMLDocument的部分源码:
1 class HTMLDocument : public Document { // 继承自Document
2 ...
3 WEBCORE_EXPORT int width();
4 WEBCORE_EXPORT int height();
5 ...
6 }
从源码中可以看到，HTMLDocument继承自类Document，Document类的部分源码如下:
1 class Document
2 : public ContainerNode // Document继承自ContainerNode，ContainerNode继承自Node
3 , public TreeScope
4 , public ScriptExecutionContext
5 , public FontSelectorClient
6 , public FrameDestructionObserver
7 , public Supplementable<Document>
8 , public Logger::Observer
9 , public CanvasObserver {
10 WEBCORE_EXPORT ExceptionOr<Ref<Element>> createElementForBindings(const AtomString& tagName); // 创建Element的方法
11 WEBCORE_EXPORT Ref<Text> createTextNode(const String& data); // 创建文本节点的方法
12 WEBCORE_EXPORT Ref<Comment> createComment(const String& data); // 创建注释的方法
13 WEBCORE_EXPORT Ref<Element> createElement(const QualifiedName&, bool createdByParser); // 创建Element方法
14 ....
15 }
上面源码可以看到Document继承自Node，而且还可以看到前端十分熟悉的createElement、createTextNode等方法，JavaScript对这些方法的调用，最后都转换为对应C++方法的调用。
类Document有这些方法，并不是没有原因的，而是W3C组织给出的标准规定的，这个标准就是DOM( D ocument O bject M odel，文档对象模型)。DOM定义了DOM树中每个节点需要实现的接口和属性，下面是HTMLDocument、Document、HTMLDivElment的部分IDL( I nteractive D ata L anguage，接口描述语言，与具体平台和语言无关)描述，完整的IDL可以参看W3C 。
1 interface HTMLDocument : Document { // HTMLDocument
2 getter (WindowProxy or Element or HTMLCollection) (DOMString name);
3 };
4
5
6 interface Document : Node { // Document
7 [NewObject, ImplementedAs=createElementForBindings] Element createElement(DOMString localName); // createElement
8 [NewObject] Text createTextNode(DOMString data); // createTextNode
9 ...
10 }
11
12
13 interface HTMLDivElement : HTMLElement { // HTMLDivElement
14 [CEReactions=NotNeeded, Reflect] attribute DOMString align;
15 };
在DOM树中，每一个节点都继承自类Node，同时Node还有一个子类Element，有的节点直接继承自类Node，比如文本节点，而有的节点继承自类Element，比如div节点。因此针对上面图中的DOM树，执行下面的JavaScript语句返回的结果是不一样的:
1 document.childNodes; // 返回子Node集合，返回DocumentType与HTML节点，都继承自Node
2 document.children; // 返回子Element集合，只返回HTML节点，DocumentType不继承自Element
下图给出部分节点的继承关系图:
DOM树的构建
DOM树的构建流程可以分位4个步骤: 解码、分词、创建节点、添加节点。
1 解码
渲染进程从网络进程接收过来的是HTML字节流，而下一步分词是以字符为单位进行的。由于各种编码规范的存在，比如ISO-8859-1、UTF-8等，一个字符常常可能对应一个或者多个编码后的字节，解码的目的就是将HTML字节流转换成HTML字符流，或者换句话说，就是将原始的HTML字节流转换成字符串。
2 解码类图
从类图上看，类HTMLDocumentParser处于解码的核心位置，由这个类调用解码器将HTML字节流解码成字符流，存储到类HTMLInputStream中。
3 解码流程
整个解码流程当中，最关健的是如何找到正确的编码方式。只有找到了正确的编码方式，才能使用对应的解码器进行解码。解码发生的地方如下面源代码所示，这个方法在上图第3个栈帧被调用:
1 // HTMLDocumentParser是DecodedDataDocumentParser的子类
2 void DecodedDataDocumentParser::appendBytes(DocumentWriter& writer, const uint8_t* data, size_t length)
3 {
4 if (!length)
5 return;
6
7 String decoded = writer.decoder().decode(data, length); // 真正解码发生在这里
8 if (decoded.isEmpty())
9 return;
10
11 writer.reportDataReceived();
12 append(decoded.releaseImpl());
13 }
上面代码第7行writer.decoder()返回一个TextResourceDecoder对象，解码操作由TextResourceDecoder::decode方法完成。下面逐步查看TextResourceDecoder::decode方法的源码:
1 // 只保留了最重要的部分
2 2 String TextResourceDecoder::decode(const char* data, size_t length)
3 3 {
4 4 ...
5 5
6 6 // 如果是HTML文件，就从head标签中寻找字符集
7 7 if ((m_contentType == HTML || m_contentType == XML) && !m_checkedForHeadCharset) // HTML and XML
8 8 if (!checkForHeadCharset(data, length, movedDataToBuffer))
9 9 return emptyString();
10 10
11 11 ...
12 12
13 13 // m_encoding存储者从HTML文件中找到的编码名称
14 14 if (!m_codec)
15 15 m_codec = newTextCodec(m_encoding); // 创建具体的编码器
16 16
17 17 ...
18 18
19 19 // 解码并返回
20 20 String result = m_codec->decode(m_buffer.data() + lengthOfBOM, m_buffer.size() - lengthOfBOM, false, m_contentType == XML && !m_useLenientXMLDecoding, m_sawError);
21 21 m_buffer.clear(); // 清空存储的原始未解码的HTML字节流
22 22 return result;
23 23 }
从源码中可以看到，TextResourceDecoder首先从HTML的<head>标签中去找编码方式，因为<head>标签可以包含<meta>标签，<meta>标签可以设置HTML文件的字符集:
1 <head>
2 <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> <!-- 字符集指定-->
3 <title>DOM Tree</title>
4 <script>window.name = 'Lucy';</script>
5 </head>
如果能找到对应的字符集，TextResourceDeocder将其存储在成员变量m_encoding当中，并且根据对应的编码创建真正的解码器存储在成员变量m_codec中，最终使用m_codec对字节流进行解码，并且返回解码后的字符串。如果带有字符集的<meta>标签没有找到，TextResourceDeocder的m_encoding有默认值windows-1252(等同于ISO-8859-1)。
下面看一下TextResourceDecoder寻找<meta>标签中字符集的流程，也就是上面源码中第8行对checkForHeadCharset函数的调用:
1 // 只保留了关健代码
2 bool TextResourceDecoder::checkForHeadCharset(const char* data, size_t len, bool& movedDataToBuffer)
3 {
4 ...
5
6 // This is not completely efficient, since the function might go
7 // through the HTML head several times.
8
9 size_t oldSize = m_buffer.size();
10 m_buffer.grow(oldSize + len);
11 memcpy(m_buffer.data() + oldSize, data, len); // 将字节流数据拷贝到自己的缓存m_buffer里面
12
13 movedDataToBuffer = true;
14
15 // Continue with checking for an HTML meta tag if we were already doing so.
16 if (m_charsetParser)
17 return checkForMetaCharset(data, len); // 如果已经存在了meta标签解析器，直接开始解析
18
19 ....
20
21 m_charsetParser = makeUnique<HTMLMetaCharsetParser>(); // 创建meta标签解析器
22 return checkForMetaCharset(data, len);
23 }
上面源代码中第11行，类TextResourceDecoder内部存储了需要解码的HTML字节流，这一步骤很重要，后面会讲到。先看第17行、21行、22行，这3行主要是使用<meta>标签解析器解析字符集，使用了懒加载的方式。下面看下checkForMetaCharset这个函数的实现:
1 bool TextResourceDecoder::checkForMetaCharset(const char* data, size_t length)
2 {
3 if (!m_charsetParser->checkForMetaCharset(data, length)) // 解析meta标签字符集
4 return false;
5
6 setEncoding(m_charsetParser->encoding(), EncodingFromMetaTag); // 找到后设置字符编码名称
7 m_charsetParser = nullptr;
8 m_checkedForHeadCharset = true;
9 return true;
10 }
上面源码第3行可以看到，整个解析<meta>标签的任务在类HTMLMetaCharsetParser::checkForMetaCharset中完成。
1 // 只保留了关健代码
2 bool HTMLMetaCharsetParser::checkForMetaCharset(const char* data, size_t length)
3 {
4 if (m_doneChecking) // 标志位，避免重复解析
5 return true;
6
7
8 // We still don't have an encoding, and are in the head.
9 // The following tags are allowed in <head>:
10 // SCRIPT|STYLE|META|LINK|OBJECT|TITLE|BASE
11 //
12 // We stop scanning when a tag that is not permitted in <head>
13 // is seen, rather when </head> is seen, because that more closely
14 // matches behavior in other browsers; more details in
15 // <http://bugs.webkit.org/show_bug.cgi?id=3590>.
16 //
17 // Additionally, we ignore things that looks like tags in <title>, <script>
18 // and <noscript>; see <http://bugs.webkit.org/show_bug.cgi?id=4560>,
19 // <http://bugs.webkit.org/show_bug.cgi?id=12165> and
20 // <http://bugs.webkit.org/show_bug.cgi?id=12389>.
21 //
22 // Since many sites have charset declarations after <body> or other tags
23 // that are disallowed in <head>, we don't bail out until we've checked at
24 // least bytesToCheckUnconditionally bytes of input.
25
26 constexpr int bytesToCheckUnconditionally = 1024; // 如果解析了1024个字符还未找到带有字符集的<meta>标签，整个解析也算完成，此时没有解析到正确的字符集，就使用默认编码windows-1252(等同于ISO-8859-1)
27
28 bool ignoredSawErrorFlag;
29 m_input.append(m_codec->decode(data, length, false, false, ignoredSawErrorFlag)); // 对字节流进行解码
30
31 while (auto token = m_tokenizer.nextToken(m_input)) { // m_tokenizer进行分词操作，找meta标签也需要进行分词，分词操作后面讲
32 bool isEnd = token->type() == HTMLToken::EndTag;
33 if (isEnd || token->type() == HTMLToken::StartTag) {
34 AtomString tagName(token->name());
35 if (!isEnd) {
36 m_tokenizer.updateStateFor(tagName);
37 if (tagName == metaTag && processMeta(*token)) { // 找到meta标签进行处理
38 m_doneChecking = true;
39 return true; // 如果找到了带有编码的meta标签，直接返回
40 }
41 }
42
43 if (tagName != scriptTag && tagName != noscriptTag
44 && tagName != styleTag && tagName != linkTag
45 && tagName != metaTag && tagName != objectTag
46 && tagName != titleTag && tagName != baseTag
47 && (isEnd || tagName != htmlTag)
48 && (isEnd || tagName != headTag)) {
49 m_inHeadSection = false;
50 }
51 }
52
53 if (!m_inHeadSection && m_input.numberOfCharactersConsumed() >= bytesToCheckUnconditionally) { // 如果分词已经进入了<body>标签范围，同时分词数量已经超过了1024，也算成功
54 m_doneChecking = true;
55 return true;
56 }
57 }
58
59 return false;
60 }
上面源码第29行，类HTMLMetaCharsetParser也有一个解码器m_codec，解码器是在HTMLMetaCharsetParser对象创建时生成，这个解码器的真实类型是TextCodecLatin1(Latin1编码也就是ISO-8859-1，等同于windows-1252编码)。之所以可以直接使用TextCodecLatin1解码器，是因为<meta>标签如果设置正确，都是英文字符，完全可以使用TextCodecLatin1进行解析出来。这样就避免了为了找到<meta>标签，需要对字节流进行解码，而要解码就必须要找到<meta>标签这种鸡生蛋、蛋生鸡的问题。
代码第37行对找到的<meta>标签进行处理，这个函数比较简单，主要是解析<meta>标签当中的属性，然后查看这些属性名中有没有charset。
1 bool HTMLMetaCharsetParser::processMeta(HTMLToken& token)
2 {
3 AttributeList attributes;
4 for (auto& attribute : token.attributes()) { // 获取meta标签属性
5 String attributeName = StringImpl::create8BitIfPossible(attribute.name);
6 String attributeValue = StringImpl::create8BitIfPossible(attribute.value);
7 attributes.append(std::make_pair(attributeName, attributeValue));
8 }
9
10 m_encoding = encodingFromMetaAttributes(attributes); // 从属性中找字符集设置属性charset
11 return m_encoding.isValid();
12 }
上面分析TextResourceDecoder::checkForHeadCharset函数时，讲过第11行TextResourceDecoder类存储HTML字节流的操作很重要。原因是可能整个HTML字节流里面可能确实没有设置charset的<meta>标签，此时TextResourceDecoder::checkForHeadCharset函数就要返回false，导致TextResourceDecoder::decode函数返回空字符串，也就是不进行任何解码。是不是这样呢？真实的情况是，在接收HTML字节流整个过程中由于确实没有找到带有charset属性的<meta>标签，那么整个接收期间都不会解码。但是完整的HTML字节流会被存储在TextResourceDecoder的成员变量m_buffer里面，当整个HTML字节流接收结束的时，会有如下调用栈:
从调用栈可以看到，当HTML字节流接收完成，最终会调用TextResourceDecoder::flush方法，这个方法会将TextResourceDecoder中有m_buffer存储的HTML字节流进行解码，由于在接收HTML字节流期间未成功找到编码方式，因此m_buffer里面存储的就是所有待解码的HTML字节流，然后在这里使用默认的编码windows-1252对全部字节流进行解码。因此，如果HTML字节流中包含汉字，那么如果不指定字符集，最终页面就会出现乱码。解码完成后，会将解码之后的字符流存储到HTMLDocumentParser中。
1 void DecodedDataDocumentParser::flush(DocumentWriter& writer)
2 {
3 String remainingData = writer.decoder().flush();
4 if (remainingData.isEmpty())
5 return;
6
7 writer.reportDataReceived();
8 append(remainingData.releaseImpl()); // 解码后的字符流存储到HTMLDocumentParser
9 }
4 解码总结
整个解码过程可以分位两种情形: 第一种情形是HTML字节流可以解析出带有charset属性的<meta>标签，这样就可以获取相应的编码方式，那么每接收到一个HML字节流，都可以使用相应的编码方式进行解码，将解码后的字符流添加到HTMLInputStream当中；第二种是HTML字节流不能解析带有charset属性的<meta>标签，这样每接收到一个HTML字节流，都缓存到TextResourceDecoder的m_buffer缓存，等完整的HTML字节流接收完毕，就会使用默认的编码windows-1252进行解码。
分词
接收到的HTML字节流经过解码，成为存储在HTMLInputStream中的字符流。分词的过程就是从HTMLInputStream中依次取出每一个字符，然后判断字符是否是特殊的HTML字符'<'、'/'、'>'、'='等。根据这些特殊字符的分割，就能解析出HTML标签名以及属性列表，类HTMLToken就是存储分词出来的结果。
1 分词类图
从类图中可以看到，分词最重要的是类HTMLTokenizer和类HTMLToken。下面是类HTMLToken的主要信息:
1 // 只保留了主要信息
2 2 class HTMLToken {
3 3 public:
4 4 enum Type { // Token的类型
5 5 Uninitialized, // Token初始化时的类型
6 6 DOCTYPE, // 代表Token是DOCType标签
7 7 StartTag, // 代表Token是一个开始标签
8 8 EndTag, // 代表Token是一个结束标签
9 9 Comment, // 代表Token是一个注释
10 10 Character, // 代表Token是文本
11 11 EndOfFile, // 代表Token是文件结尾
12 12 };
13 13
14 14 struct Attribute { // 存储属性的数据结构
15 15 Vector<UChar, 32> name; // 属性名
16 16 Vector<UChar, 64> value; // 属性值
17 17
18 18 // Used by HTMLSourceTracker.
19 19 unsigned startOffset;
20 20 unsigned endOffset;
21 21 };
22 22
23 23 typedef Vector<Attribute, 10> AttributeList; // 属性列表
24 24 typedef Vector<UChar, 256> DataVector; // 存储Token名
25 25
26 26 ...
27 27
28 28 private:
29 29 Type m_type;
30 30 DataVector m_data;
31 31 // For StartTag and EndTag
32 32 bool m_selfClosing; // Token是注入<img>一样自结束标签
33 33 AttributeList m_attributes;
34 34 Attribute* m_currentAttribute; // 当前正在解析的属性
35 35 };
2 分词流程
上面分词流程中HTMLDocumentParser::pumpTokenizerLoop方法是最重要的，从方法名字可以看出这个方法里面包含循环逻辑:
1 // 只保留关健代码
2 bool HTMLDocumentParser::pumpTokenizerLoop(SynchronousMode mode, bool parsingFragment, PumpSession& session)
3 {
4 do { // 分词循环体开始
5 ...
6
7 if (UNLIKELY(mode == AllowYield && m_parserScheduler->shouldYieldBeforeToken(session))) // 避免长时间处于分词循环中，这里根据条件暂时退出循环
8 return true;
9
10 if (!parsingFragment)
11 m_sourceTracker.startToken(m_input.current(), m_tokenizer);
12
13 auto token = m_tokenizer.nextToken(m_input.current()); // 进行分词操作，取出一个token
14 if (!token)
15 return false; // 分词没有产生token，就跳出循环
16
17 if (!parsingFragment)
18 m_sourceTracker.endToken(m_input.current(), m_tokenizer);
19
20 constructTreeFromHTMLToken(token); // 根据token构建DOM树
21 } while (!isStopped());
22
23 return false;
24 }
上面代码中第7行会有一个yield退出操作，这是为了避免长时间处于分词循环，占用主线程。当退出条件为真时，会从分词循环中返回，返回值为true。下面是退出判断代码:
1 // 只保留关健代码
2 bool HTMLParserScheduler::shouldYieldBeforeToken(PumpSession& session)
3 {
4 ...
5
6 // numberOfTokensBeforeCheckingForYield是静态变量，定义为4096
7 // session.processedTokensOnLastCheck表示从上一次退出为止，以及处理过的token个数
8 // session.didSeeScript表示在分词过程中是否出现过script标签
9 if (UNLIKELY(session.processedTokens > session.processedTokensOnLastCheck + numberOfTokensBeforeCheckingForYield || session.didSeeScript))
10 return checkForYield(session);
11
12 ++session.processedTokens;
13 return false;
14 }
15
16
17 bool HTMLParserScheduler::checkForYield(PumpSession& session)
18 {
19 session.processedTokensOnLastCheck = session.processedTokens;
20 session.didSeeScript = false;
21
22 Seconds elapsedTime = MonotonicTime::now() - session.startTime;
23 return elapsedTime > m_parserTimeLimit; // m_parserTimeLimit的值默认是500ms，从分词开始超过500ms就要先yield
24 }
如果命中了上面的yield退出条件，那么什么时候再次进入分词呢？下面的代码展示了再次进入分词的过程:
1 // 保留关键代码
2 void HTMLDocumentParser::pumpTokenizer(SynchronousMode mode)
3 {
4 ...
5
6 if (shouldResume) // 从pumpTokenizerLoop中yield退出时返回值为true
7 m_parserScheduler->scheduleForResume();
8
9 }
10
11
12
13 void HTMLParserScheduler::scheduleForResume()
14 {
15 ASSERT(!m_suspended);
16 m_continueNextChunkTimer.startOneShot(0_s); // 触发timer(0s后触发)，触发后的响应函数为HTMLParserScheduler::continueNextChunkTimerFired
17 }
18
19
20 // 保留关健代码
21 void HTMLParserScheduler::continueNextChunkTimerFired()
22 {
23 ...
24
25 m_parser.resumeParsingAfterYield(); // 重新Resume分词过程
26 }
27
28
29 void HTMLDocumentParser::resumeParsingAfterYield()
30 {
31 // pumpTokenizer can cause this parser to be detached from the Document,
32 // but we need to ensure it isn't deleted yet.
33 Ref<HTMLDocumentParser> protectedThis(*this);
34
35 // We should never be here unless we can pump immediately.
36 // Call pumpTokenizer() directly so that ASSERTS will fire if we're wrong.
37 pumpTokenizer(AllowYield); // 重新进入分词过程，该函数会调用pumpTokenizerLoop
38 endIfDelayed();
39 }
从上面代码可以看出，再次进入分词过程是通过触发一个Timer来实现的，虽然这个Timer在0s后触发，但是并不意味着Timer的响应函数会立刻执行。如果在此之前主线程已经有其他任务到达了执行时机，会有被执行的机会。
继续看HTMLDocumentParser::pumpTokenizerLoop函数的第13行，这一行进行分词操作，从解码后的字符流中分出一个token。实现分词的代码位于HTMLTokenizer::processToken:
1 // 只保留关键代码
2 bool HTMLTokenizer::processToken(SegmentedString& source)
3 {
4
5 ...
6
7 if (!m_preprocessor.peek(source, isNullCharacterSkippingState(m_state))) // 取出source内部指向的字符，赋给m_nextInputCharacter
8 return haveBufferedCharacterToken();
9 UChar character = m_preprocessor.nextInputCharacter(); // 获取character
10
11 // https://html.spec.whatwg.org/#tokenization
12 switch (m_state) { // 进行状态转换，m_state初始值为DataState
13 ...
14 }
15
16 return false;
17 }
这个方法由于内部要做很多状态转换，总共有1200多行，后面会有4个例子来解释状态转换的逻辑。
首先来看InputStreamPreprocessor::peek方法:
1 // Returns whether we succeeded in peeking at the next character.
2 // The only way we can fail to peek is if there are no more
3 // characters in |source| (after collapsing \r\n, etc).
4 ALWAYS_INLINE bool InputStreamPreprocessor::peek(SegmentedString& source, bool skipNullCharacters = false)
5 {
6 if (UNLIKELY(source.isEmpty()))
7 return false;
8
9 m_nextInputCharacter = source.currentCharacter(); // 获取字符流source内部指向的当前字符
10
11 // Every branch in this function is expensive, so we have a
12 // fast-reject branch for characters that don't require special
13 // handling. Please run the parser benchmark whenever you touch
14 // this function. It's very hot.
15 constexpr UChar specialCharacterMask = '\n' | '\r' | '\0';
16 if (LIKELY(m_nextInputCharacter & ~specialCharacterMask)) {
17 m_skipNextNewLine = false;
18 return true;
19 }
20
21 return processNextInputCharacter(source, skipNullCharacters); // 跳过空字符，将\r\n换行符合并成\n
22 }
23
24
25 bool InputStreamPreprocessor::processNextInputCharacter(SegmentedString& source, bool skipNullCharacters)
26 {
27 ProcessAgain:
28 ASSERT(m_nextInputCharacter == source.currentCharacter());
29
30 // 针对\r\n换行符，下面if语句处理\r字符并且设置m_skipNextNewLine=true，后面处理\n就直接忽略
31 if (m_nextInputCharacter == '\n' && m_skipNextNewLine) {
32 m_skipNextNewLine = false;
33 source.advancePastNewline(); // 向前移动字符
34 if (source.isEmpty())
35 return false;
36 m_nextInputCharacter = source.currentCharacter();
37 }
38
39 // 如果是\r\n连续的换行符，那么第一次遇到\r字符，将\r字符替换成\n字符，同时设置标志m_skipNextNewLine=true
40 if (m_nextInputCharacter == '\r') {
41 m_nextInputCharacter = '\n';
42 m_skipNextNewLine = true;
43 return true;
44 }
45 m_skipNextNewLine = false;
46 if (m_nextInputCharacter || isAtEndOfFile(source))
47 return true;
48
49 // 跳过空字符
50 if (skipNullCharacters && !m_tokenizer.neverSkipNullCharacters()) {
51 source.advancePastNonNewline();
52 if (source.isEmpty())
53 return false;
54 m_nextInputCharacter = source.currentCharacter();
55 goto ProcessAgain; // 跳转到开头
56 }
57 m_nextInputCharacter = replacementCharacter;
58 return true;
59 }
由于peek方法会跳过空字符，同时合并\r\n字符为\n字符，所以一个字符流source如果包含了空格或者\r\n换行符，实际上处理起来如下图所示:
HTMLTokenizer::processToken内部定义了一个状态机，下面以四种情形来进行解释。
第一种 <!DCOTYPE>标签
1 BEGIN_STATE(DataState) // 刚开始解析是DataState状态
2 if (character == '&')
3 ADVANCE_PAST_NON_NEWLINE_TO(CharacterReferenceInDataState);
4 if (character == '<') {// 整个字符流一开始是'<'，那么表示是一个标签的开始
5 if (haveBufferedCharacterToken())
6 RETURN_IN_CURRENT_STATE(true);
7 ADVANCE_PAST_NON_NEWLINE_TO(TagOpenState); // 跳转到TagOpenState状态，并取去下一个字符是'!"
8 }
9 if (character == kEndOfFileMarker)
10 return emitEndOfFile(source);
11 bufferCharacter(character);
12 ADVANCE_TO(DataState);
13 END_STATE()
14
15 // ADVANCE_PAST_NON_NEWLINE_TO定义
16 #define ADVANCE_PAST_NON_NEWLINE_TO(newState) \
17 do { \
18 if (!m_preprocessor.advancePastNonNewline(source, isNullCharacterSkippingState(newState))) { \ // 如果往下移动取不到下一个字符
19 m_state = newState; \ // 保存状态
20 return haveBufferedCharacterToken(); \ // 返回
21 } \
22 character = m_preprocessor.nextInputCharacter(); \ // 先取出下一个字符
23 goto newState; \ // 跳转到指定状态
24 } while (false)
25
26
27 BEGIN_STATE(TagOpenState)
28 if (character == '!') // 满足此条件
29 ADVANCE_PAST_NON_NEWLINE_TO(MarkupDeclarationOpenState); // 同理，跳转到MarkupDeclarationOpenState状态，并且取出下一个字符'D'
30 if (character == '/')
31 ADVANCE_PAST_NON_NEWLINE_TO(EndTagOpenState);
32 if (isASCIIAlpha(character)) {
33 m_token.beginStartTag(convertASCIIAlphaToLower(character));
34 ADVANCE_PAST_NON_NEWLINE_TO(TagNameState);
35 }
36 if (character == '?') {
37 parseError();
38 // The spec consumes the current character before switching
39 // to the bogus comment state, but it's easier to implement
40 // if we reconsume the current character.
41 RECONSUME_IN(BogusCommentState);
42 }
43 parseError();
44 bufferASCIICharacter('<');
45 RECONSUME_IN(DataState);
46 END_STATE()
47
48 BEGIN_STATE(MarkupDeclarationOpenState)
49 if (character == '-') {
50 auto result = source.advancePast("--");
51 if (result == SegmentedString::DidMatch) {
52 m_token.beginComment();
53 SWITCH_TO(CommentStartState);
54 }
55 if (result == SegmentedString::NotEnoughCharacters)
56 RETURN_IN_CURRENT_STATE(haveBufferedCharacterToken());
57 } else if (isASCIIAlphaCaselessEqual(character, 'd')) { // 由于character == 'D'，满足此条件
58 auto result = source.advancePastLettersIgnoringASCIICase("doctype"); // 看解码后的字符流中是否有完整的"doctype"
59 if (result == SegmentedString::DidMatch)
60 SWITCH_TO(DOCTYPEState); // 如果匹配，则跳转到DOCTYPEState，同时取出当前指向的字符，由于上面source字符流已经移动了"doctype"，因此此时取出的字符为'>'
61 if (result == SegmentedString::NotEnoughCharacters) // 如果不匹配
62 RETURN_IN_CURRENT_STATE(haveBufferedCharacterToken()); // 保存状态，直接返回
63 } else if (character == '[' && shouldAllowCDATA()) {
64 auto result = source.advancePast("[CDATA[");
65 if (result == SegmentedString::DidMatch)
66 SWITCH_TO(CDATASectionState);
67 if (result == SegmentedString::NotEnoughCharacters)
68 RETURN_IN_CURRENT_STATE(haveBufferedCharacterToken());
69 }
70 parseError();
71 RECONSUME_IN(BogusCommentState);
72 END_STATE()
73
74
75 #define SWITCH_TO(newState) \
76 do { \
77 if (!m_preprocessor.peek(source, isNullCharacterSkippingState(newState))) { \
78 m_state = newState; \
79 return haveBufferedCharacterToken(); \
80 } \
81 character = m_preprocessor.nextInputCharacter(); \ // 取出下一个字符
82 goto newState; \ // 跳转到指定的state
83 } while (false)
84
85
86 #define RETURN_IN_CURRENT_STATE(expression) \
87 do { \
88 m_state = currentState; \ // 保存当前状态
89 return expression; \
90 } while (false)
91
92
93 BEGIN_STATE(DOCTYPEState)
94 if (isTokenizerWhitespace(character))
95 ADVANCE_TO(BeforeDOCTYPENameState);
96 if (character == kEndOfFileMarker) {
97 parseError();
98 m_token.beginDOCTYPE();
99 m_token.setForceQuirks();
100 return emitAndReconsumeInDataState();
101 }
102 parseError();
103 RECONSUME_IN(BeforeDOCTYPENameState);
104 END_STATE()
105
106
107 #define RECONSUME_IN(newState) \
108 do { \ // 直接跳转到指定state
109 goto newState; \
110 } while (false)
111
112
113 BEGIN_STATE(BeforeDOCTYPENameState)
114 if (isTokenizerWhitespace(character))
115 ADVANCE_TO(BeforeDOCTYPENameState);
116 if (character == '>') { // character == '>'，匹配此处，到此DOCTYPE标签匹配完毕
117 parseError();
118 m_token.beginDOCTYPE();
119 m_token.setForceQuirks();
120 return emitAndResumeInDataState(source);
121 }
122 if (character == kEndOfFileMarker) {
123 parseError();
124 m_token.beginDOCTYPE();
125 m_token.setForceQuirks();
126 return emitAndReconsumeInDataState();
127 }
128 m_token.beginDOCTYPE(toASCIILower(character));
129 ADVANCE_PAST_NON_NEWLINE_TO(DOCTYPENameState);
130 END_STATE()
131
132
133
134
135 inline bool HTMLTokenizer::emitAndResumeInDataState(SegmentedString& source)
136 {
137 saveEndTagNameIfNeeded();
138 m_state = DataState; // 重置状态为初始状态DataState
139 source.advancePastNonNewline(); // 移动到下一个字符
140 return true;
141 }
DOCTYPE Token经历了6个状态最终被解析出来，整个过程如下图所示:
当Token解析完毕之后，分词状态又被重置为DataState，同时需要注意的时，此时字符流source内部指向的是下一个字符'<'。
上面代码第61行在用字符流source匹配字符串"doctype"时，可能出现匹配不上的情形。为什么会这样呢？这是因为整个DOM树的构建流程，并不是先要解码完成，解码完成之后获取到完整的字符流才进行分词。从前面解码可以知道，解码可能是一边接收字节流，一边进行解码的，因此分词也是这样，只要能解码出一段字符流，就会立即进行分词。整个流程会出现如下图所示:
由于这个原因，用来分词的字符流可能是不完整的。对于出现不完整情形的DOCTYPE分词过程如下图所示:
上面介绍了解码、分词、解码、分词处理DOCTYPE标签的情形，可以看到从逻辑上这种情形与完整解码再分词是一样的。后续介绍的时都会只针对完整解码再分词的情形，对于一边解码一边分词的情形，只需要正确的认识source字符流内部指针的移动，并不难分析。
第二种 html标签
html标签的分词过程和DOCTYPE类似，其相关代码如下:
1 BEGIN_STATE(TagOpenState)
2 if (character == '!')
3 ADVANCE_PAST_NON_NEWLINE_TO(MarkupDeclarationOpenState);
4 if (character == '/')
5 ADVANCE_PAST_NON_NEWLINE_TO(EndTagOpenState);
6 if (isASCIIAlpha(character)) { // 在开标签状态下，当前字符为'h'
7 m_token.beginStartTag(convertASCIIAlphaToLower(character)); // 将'h'添加到Token名中
8 ADVANCE_PAST_NON_NEWLINE_TO(TagNameState); // 跳转到TagNameState，并移动到下一个字符't'
9 }
10 if (character == '?') {
11 parseError();
12 // The spec consumes the current character before switching
13 // to the bogus comment state, but it's easier to implement
14 // if we reconsume the current character.
15 RECONSUME_IN(BogusCommentState);
16 }
17 parseError();
18 bufferASCIICharacter('<');
19 RECONSUME_IN(DataState);
20 END_STATE()
21
22
23 BEGIN_STATE(TagNameState)
24 if (isTokenizerWhitespace(character))
25 ADVANCE_TO(BeforeAttributeNameState);
26 if (character == '/')
27 ADVANCE_PAST_NON_NEWLINE_TO(SelfClosingStartTagState);
28 if (character == '>') // 在这个状态下遇到起始标签终止字符
29 return emitAndResumeInDataState(source); // 当前分词结束，重置分词状态为DataState
30 if (m_options.usePreHTML5ParserQuirks && character == '<')
31 return emitAndReconsumeInDataState();
32 if (character == kEndOfFileMarker) {
33 parseError();
34 RECONSUME_IN(DataState);
35 }
36 m_token.appendToName(toASCIILower(character)); // 将当前字符添加到Token名
37 ADVANCE_PAST_NON_NEWLINE_TO(TagNameState); // 继续跳转到当前状态，并移动到下一个字符
38 END_STATE()
第三种 带有属性的标签div
HTML标签可以带有属性，属性由属性名和属性值组成，属性之间以及属性与标签名之间用空格分隔:
1 <!-- div标签有两个属性，属性名为class和align，它们的值都带有引号 -->
2 <div class="news" align="center">Hello,World!</div>
3
4
5 <!-- 属性值也可以不带引号 -->
6 <div class=news align=center>Hello,World!</div>
整个div标签的解析中，标签名div的解析流程和上面的html标签解析一样，当在解析标签名的过程中，碰到了空白字符，说明要开始解析属性了，下面是相关代码:
1 BEGIN_STATE(TagNameState)
2 if (isTokenizerWhitespace(character)) // 在解析TagName时遇到空白字符，标志属性开始
3 ADVANCE_TO(BeforeAttributeNameState);
4 if (character == '/')
5 ADVANCE_PAST_NON_NEWLINE_TO(SelfClosingStartTagState);
6 if (character == '>')
7 return emitAndResumeInDataState(source);
8 if (m_options.usePreHTML5ParserQuirks && character == '<')
9 return emitAndReconsumeInDataState();
10 if (character == kEndOfFileMarker) {
11 parseError();
12 RECONSUME_IN(DataState);
13 }
14 m_token.appendToName(toASCIILower(character));
15 ADVANCE_PAST_NON_NEWLINE_TO(TagNameState);
16 END_STATE()
17
18 #define ADVANCE_TO(newState) \
19 do { \
20 if (!m_preprocessor.advance(source, isNullCharacterSkippingState(newState))) { \ // 移动到下一个字符
21 m_state = newState; \
22 return haveBufferedCharacterToken(); \
23 } \
24 character = m_preprocessor.nextInputCharacter(); \
25 goto newState; \ // 跳转到指定状态
26 } while (false)
27
28
29 BEGIN_STATE(BeforeAttributeNameState)
30 if (isTokenizerWhitespace(character)) // 如果标签名后有连续空格，那么就不停的跳过，在当前状态不停循环
31 ADVANCE_TO(BeforeAttributeNameState);
32 if (character == '/')
33 ADVANCE_PAST_NON_NEWLINE_TO(SelfClosingStartTagState);
34 if (character == '>')
35 return emitAndResumeInDataState(source);
36 if (m_options.usePreHTML5ParserQuirks && character == '<')
37 return emitAndReconsumeInDataState();
38 if (character == kEndOfFileMarker) {
39 parseError();
40 RECONSUME_IN(DataState);
41 }
42 if (character == '"' || character == '\'' || character == '<' || character == '=')
43 parseError();
44 m_token.beginAttribute(source.numberOfCharactersConsumed()); // Token的属性列表增加一个，用来存放新的属性名与属性值
45 m_token.appendToAttributeName(toASCIILower(character)); // 添加属性名
46 ADVANCE_PAST_NON_NEWLINE_TO(AttributeNameState); // 跳转到AttributeNameState，并且移动到下一个字符
47 END_STATE()
48
49
50 BEGIN_STATE(AttributeNameState)
51 if (isTokenizerWhitespace(character))
52 ADVANCE_TO(AfterAttributeNameState);
53 if (character == '/')
54 ADVANCE_PAST_NON_NEWLINE_TO(SelfClosingStartTagState);
55 if (character == '=')
56 ADVANCE_PAST_NON_NEWLINE_TO(BeforeAttributeValueState); // 在解析属性名的过程中如果碰到=，说明属性名结束，属性值就要开始
57 if (character == '>')
58 return emitAndResumeInDataState(source);
59 if (m_options.usePreHTML5ParserQuirks && character == '<')
60 return emitAndReconsumeInDataState();
61 if (character == kEndOfFileMarker) {
62 parseError();
63 RECONSUME_IN(DataState);
64 }
65 if (character == '"' || character == '\'' || character == '<' || character == '=')
66 parseError();
67 m_token.appendToAttributeName(toASCIILower(character));
68 ADVANCE_PAST_NON_NEWLINE_TO(AttributeNameState);
69 END_STATE()
70
71
72 BEGIN_STATE(BeforeAttributeValueState)
73 if (isTokenizerWhitespace(character))
74 ADVANCE_TO(BeforeAttributeValueState);
75 if (character == '"')
76 ADVANCE_PAST_NON_NEWLINE_TO(AttributeValueDoubleQuotedState); // 有的属性值有引号包围，这里跳转到AttributeValueDoubleQuotedState，并移动到下一个字符
77 if (character == '&')
78 RECONSUME_IN(AttributeValueUnquotedState);
79 if (character == '\'')
80 ADVANCE_PAST_NON_NEWLINE_TO(AttributeValueSingleQuotedState);
81 if (character == '>') {
82 parseError();
83 return emitAndResumeInDataState(source);
84 }
85 if (character == kEndOfFileMarker) {
86 parseError();
87 RECONSUME_IN(DataState);
88 }
89 if (character == '<' || character == '=' || character == '`')
90 parseError();
91 m_token.appendToAttributeValue(character); // 有的属性值没有引号包围，添加属性值字符到Token
92 ADVANCE_PAST_NON_NEWLINE_TO(AttributeValueUnquotedState); // 跳转到AttributeValueUnquotedState，并移动到下一个字符
93 END_STATE()
94
95 BEGIN_STATE(AttributeValueDoubleQuotedState)
96 if (character == '"') { // 在当前状态下如果遇到引号，说明属性值结束
97 m_token.endAttribute(source.numberOfCharactersConsumed()); // 结束属性解析
98 ADVANCE_PAST_NON_NEWLINE_TO(AfterAttributeValueQuotedState); // 跳转到AfterAttributeValueQuotedState，并移动到下一个字符
99 }
100 if (character == '&') {
101 m_additionalAllowedCharacter = '"';
102 ADVANCE_PAST_NON_NEWLINE_TO(CharacterReferenceInAttributeValueState);
103 }
104 if (character == kEndOfFileMarker) {
105 parseError();
106 m_token.endAttribute(source.numberOfCharactersConsumed());
107 RECONSUME_IN(DataState);
108 }
109 m_token.appendToAttributeValue(character); // 将属性值字符添加到Token
110 ADVANCE_TO(AttributeValueDoubleQuotedState); // 跳转到当前状态
111 END_STATE()
112
113
114 BEGIN_STATE(AfterAttributeValueQuotedState)
115 if (isTokenizerWhitespace(character))
116 ADVANCE_TO(BeforeAttributeNameState); // 属性值解析完毕，如果后面继续跟着空白字符，说明后续还有属性要解析，调回到BeforeAttributeNameState
117 if (character == '/')
118 ADVANCE_PAST_NON_NEWLINE_TO(SelfClosingStartTagState);
119 if (character == '>')
120 return emitAndResumeInDataState(source); // 属性值解析完毕，如果遇到'>'字符，说明整个标签也要解析完毕了，此时结束当前标签解析，并且重置分词状态为DataState，并移动到下一个字符
121 if (m_options.usePreHTML5ParserQuirks && character == '<')
122 return emitAndReconsumeInDataState();
123 if (character == kEndOfFileMarker) {
124 parseError();
125 RECONSUME_IN(DataState);
126 }
127 parseError();
128 RECONSUME_IN(BeforeAttributeNameState);
129 END_STATE()
130
131 BEGIN_STATE(AttributeValueUnquotedState)
132 if (isTokenizerWhitespace(character)) { // 当解析不带引号的属性值时遇到空白字符(这与带引号的属性值不一样，带引号的属性值可以包含空白字符)，说明当前属性解析完毕，后面还有其他属性，跳转到BeforeAttributeNameState，并且移动到下一个字符
133 m_token.endAttribute(source.numberOfCharactersConsumed());
134 ADVANCE_TO(BeforeAttributeNameState);
135 }
136 if (character == '&') {
137 m_additionalAllowedCharacter = '>';
138 ADVANCE_PAST_NON_NEWLINE_TO(CharacterReferenceInAttributeValueState);
139 }
140 if (character == '>') { // 解析过程中如果遇到'>'字符，说明整个标签也要解析完毕了，此时结束当前标签解析，并且重置分词状态为DataState，并移动到下一个字符
141 m_token.endAttribute(source.numberOfCharactersConsumed());
142 return emitAndResumeInDataState(source);
143 }
144 if (character == kEndOfFileMarker) {
145 parseError();
146 m_token.endAttribute(source.numberOfCharactersConsumed());
147 RECONSUME_IN(DataState);
148 }
149 if (character == '"' || character == '\'' || character == '<' || character == '=' || character == '`')
150 parseError();
151 m_token.appendToAttributeValue(character); // 将遇到的属性值字符添加到Token
152 ADVANCE_PAST_NON_NEWLINE_TO(AttributeValueUnquotedState); // 跳转到当前状态，并且移动到下一个字符
153 END_STATE()
从代码中可以看到，当属性值带引号和不带引号时，解析的逻辑是不一样的。当属性值带有引号时，属性值里面是可以包含空白字符的。如果属性值不带引号，那么一旦碰到空白字符，说明这个属性就解析结束了，会进入下一个属性的解析当中。
第四种 纯文本解析
这里的纯文本指起始标签与结束标签之间的任何纯文字，包括脚本文、CSS文本等等，如下图所示:
<!-- div标签中的纯文本 Hello,Word! -->
<div class=news align=center>Hello,World!</div> <!-- script标签中的纯文本 window.name = 'Lucy'; -->
<script>window.name = 'Lucy';</script>
纯文本的解析过程比较简单，就是不停的在DataState状态上跳转，缓存遇到的字符，直到遇见一个结束标签的'<'字符，相关代码如下:
1 BEGIN_STATE(DataState)
2 if (character == '&')
3 ADVANCE_PAST_NON_NEWLINE_TO(CharacterReferenceInDataState);
4 if (character == '<') { // 如果在解析文本的过程中遇到开标签，分两种情况
5 if (haveBufferedCharacterToken()) // 第一种，如果缓存了文本字符就直接按当前DataState返回，并不移动字符，所以下次再进入分词操作时取到的字符仍为'<'
6 RETURN_IN_CURRENT_STATE(true);
7 ADVANCE_PAST_NON_NEWLINE_TO(TagOpenState); // 第二种，如果没有缓存任何文本字符，直接进入TagOpenState状态，进入到起始标签解析过程，并且移动下一个字符
8 }
9 if (character == kEndOfFileMarker)
10 return emitEndOfFile(source);
11 bufferCharacter(character); // 缓存遇到的字符
12 ADVANCE_TO(DataState); // 循环跳转到当前DataState状态，并且移动到下一个字符
13 END_STATE()
由于流程比较简单，下面只给出解析div标签中纯文本的结果:
创建节点与添加节点
1 相关类图
2 创建、添加流程
上面的分词循环中，每分出一个Token，就会根据Token创建对应的Node，然后将Node添加到DOM树上。(HTMLDocumentParser::pumpTokenizerLoop方法在上面分词中有介绍)。
上面方法中首先看HTMLTreeBuilder::constructTree，代码如下:
1 // 只保留关健代码
2 void HTMLTreeBuilder::constructTree(AtomHTMLToken&& token)
3 {
4 ...
5
6 if (shouldProcessTokenInForeignContent(token))
7 processTokenInForeignContent(WTFMove(token));
8 else
9 processToken(WTFMove(token)); // HTMLToken在这里被处理
10
11 ...
12
13 m_tree.executeQueuedTasks(); // HTMLContructionSiteTask在这里被执行，有时候也直接在创建的过程中直接执行，然后这个方法发现队列为空就会直接返回
14 // The tree builder might have been destroyed as an indirect result of executing the queued tasks.
15 }
16
17
18 void HTMLConstructionSite::executeQueuedTasks()
19 {
20 if (m_taskQueue.isEmpty()) // 队列为空，就直接返回
21 return;
22
23 // Copy the task queue into a local variable in case executeTask
24 // re-enters the parser.
25 TaskQueue queue = WTFMove(m_taskQueue);
26
27 for (auto& task : queue) // 这里的task就是HTMLContructionSiteTask
28 executeTask(task); // 执行task
29
30 // We might be detached now.
31 }
上面代码中HTMLTreeBuilder::processToken就是处理Token生成对应Node的地方，代码如下所示:
1 void HTMLTreeBuilder::processToken(AtomHTMLToken&& token)
2 {
3 switch (token.type()) {
4 case HTMLToken::Uninitialized:
5 ASSERT_NOT_REACHED();
6 break;
7 case HTMLToken::DOCTYPE: // HTML中的DOCType标签
8 m_shouldSkipLeadingNewline = false;
9 processDoctypeToken(WTFMove(token));
10 break;
11 case HTMLToken::StartTag: // 起始HTML标签
12 m_shouldSkipLeadingNewline = false;
13 processStartTag(WTFMove(token));
14 break;
15 case HTMLToken::EndTag: // 结束HTML标签
16 m_shouldSkipLeadingNewline = false;
17 processEndTag(WTFMove(token));
18 break;
19 case HTMLToken::Comment: // HTML中的注释
20 m_shouldSkipLeadingNewline = false;
21 processComment(WTFMove(token));
22 return;
23 case HTMLToken::Character: // HTML中的纯文本
24 processCharacter(WTFMove(token));
25 break;
26 case HTMLToken::EndOfFile: // HTML结束标志
27 m_shouldSkipLeadingNewline = false;
28 processEndOfFile(WTFMove(token));
29 break;
30 }
31 }
可以看到上面代码对7类Token做了处理，由于处理的流程都是类似的，这里只给出3种HTML标签的创建添加过程，分别是DOCTYPE标签，html标签，title标签文本，剩下的过程都使用图表示。
2.1 DOCTYPE标签
1 // 只保留关健代码
2 void HTMLTreeBuilder::processDoctypeToken(AtomHTMLToken&& token)
3 {
4 ASSERT(token.type() == HTMLToken::DOCTYPE);
5 if (m_insertionMode == InsertionMode::Initial) { // m_insertionMode的初始值就是InsertionMode::Initial
6 m_tree.insertDoctype(WTFMove(token)); // 插入DOCTYPE标签
7 m_insertionMode = InsertionMode::BeforeHTML; // 插入DOCTYPE标签之后，m_insertionMode设置为InsertionMode::BeforeHTML，表示下面要开是HTML标签插入
8 return;
9 }
10
11 ...
12 }
13
14 // 只保留关健代码
15 void HTMLConstructionSite::insertDoctype(AtomHTMLToken&& token)
16 {
17 ...
18
19 // m_attachmentRoot就是Document对象，文档根节点
20 // DocumentType::create方法创建出DOCTYPE节点
21 // attachLater方法内部创建出HTMLContructionSiteTask
22 attachLater(m_attachmentRoot, DocumentType::create(m_document, token.name(), publicId, systemId));
23
24 ...
25 }
26
27 // 只保留关健代码
28 void HTMLConstructionSite::attachLater(ContainerNode& parent, Ref<Node>&& child, bool selfClosing)
29 {
30 ...
31
32 HTMLConstructionSiteTask task(HTMLConstructionSiteTask::Insert); // 创建HTMLConstructionSiteTask
33 task.parent = &parent; // task持有当前节点的父节点
34 task.child = WTFMove(child); // task持有需要操作的节点
35 task.selfClosing = selfClosing; // 是否自关闭节点
36
37 // Add as a sibling of the parent if we have reached the maximum depth allowed.
38 // m_openElements就是HTMLElementStack，在这里还看不到它的作用，后面会讲。这里可以看到这个stack里面加入的对象个数是有限制的，最大不超过512个。
39 // 所以如果一个HTML标签嵌套过多的子标签，就会触发这里的操作
40 if (m_openElements.stackDepth() > m_maximumDOMTreeDepth && task.parent->parentNode())
41 task.parent = task.parent->parentNode(); // 满足条件，就会将当前节点添加到爷爷节点，而不是父节点
42
43 ASSERT(task.parent);
44 m_taskQueue.append(WTFMove(task)); // 将task添加到Queue当中
45 }
从代码可以看到，这里只是创建了DOCTYPE节点，还没有真正添加。真正执行添加的操作，需要执行HTMLContructionSite::executeQueuedTasks，这个方法在一开始有列出来。下面就来看下每个Task如何被执行。
1 // 方法位于HTMLContructionSite.cpp
2 static inline void executeTask(HTMLConstructionSiteTask& task)
3 {
4 switch (task.operation) { // HTMLConstructionSiteTask存储了自己要做的操作，构建DOM树一般都是Insert操作
5 case HTMLConstructionSiteTask::Insert:
6 executeInsertTask(task); // 这里执行insert操作
7 return;
8 // All the cases below this point are only used by the adoption agency.
9 case HTMLConstructionSiteTask::InsertAlreadyParsedChild:
10 executeInsertAlreadyParsedChildTask(task);
11 return;
12 case HTMLConstructionSiteTask::Reparent:
13 executeReparentTask(task);
14 return;
15 case HTMLConstructionSiteTask::TakeAllChildrenAndReparent:
16 executeTakeAllChildrenAndReparentTask(task);
17 return;
18 }
19 ASSERT_NOT_REACHED();
20 }
21
22 // 只保留关健代码，方法位于HTMLContructionSite.cpp
23 static inline void executeInsertTask(HTMLConstructionSiteTask& task)
24 {
25 ASSERT(task.operation == HTMLConstructionSiteTask::Insert);
26
27 insert(task); // 继续调用插入方法
28
29 ...
30 }
31
32 // 只保留关健代码，方法位于HTMLContructionSite.cpp
33 static inline void insert(HTMLConstructionSiteTask& task)
34 {
35 ...
36
37 ASSERT(!task.child->parentNode());
38 if (task.nextChild)
39 task.parent->parserInsertBefore(*task.child, *task.nextChild);
40 else
41 task.parent->parserAppendChild(*task.child); // 调用父节点方法继续插入
42 }
43
44 // 只保留关健代码
45 void ContainerNode::parserAppendChild(Node& newChild)
46 {
47 ...
48
49 executeNodeInsertionWithScriptAssertion(*this, newChild, ChildChange::Source::Parser, ReplacedAllChildren::No, [&] {
50 if (&document() != &newChild.document())
51 document().adoptNode(newChild);
52
53 appendChildCommon(newChild); // 在Block回调中调用此方法继续插入
54
55 ...
56 });
57 }
58
59 // 最终调用的是这个方法进行插入
60 void ContainerNode::appendChildCommon(Node& child)
61 {
62 ScriptDisallowedScope::InMainThread scriptDisallowedScope;
63
64 child.setParentNode(this);
65
66 if (m_lastChild) { // 父节点已经插入子节点，运行在这里
67 child.setPreviousSibling(m_lastChild);
68 m_lastChild->setNextSibling(&child);
69 } else
70 m_firstChild = &child; // 如果父节点是首次插入子节点，运行在这里
71
72 m_lastChild = &child; // 更新m_lastChild
73 }
经过执行上面方法之后，原来只有一个根节点的DOM树变成了下面的样子:
2.2 html标签
1 // processStartTag内部有很多状态处理，这里只保留关健代码
2 void HTMLTreeBuilder::processStartTag(AtomHTMLToken&& token)
3 {
4 ASSERT(token.type() == HTMLToken::StartTag);
5 switch (m_insertionMode) {
6 case InsertionMode::Initial:
7 defaultForInitial();
8 ASSERT(m_insertionMode == InsertionMode::BeforeHTML);
9 FALLTHROUGH;
10 case InsertionMode::BeforeHTML:
11 if (token.name() == htmlTag) { // html标签在这里处理
12 m_tree.insertHTMLHtmlStartTagBeforeHTML(WTFMove(token));
13 m_insertionMode = InsertionMode::BeforeHead; // 插入完html标签，m_insertionMode = InsertionMode::BeforeHead，表明即将处理head标签
14 return;
15 }
16
17 ...
18 }
19 }
20
21
22 // 只保留关健代码
23 void HTMLConstructionSite::insertHTMLHtmlStartTagBeforeHTML(AtomHTMLToken&& token)
24 {
25 auto element = HTMLHtmlElement::create(m_document); // 创建html节点
26 setAttributes(element, token, m_parserContentPolicy);
27 attachLater(m_attachmentRoot, element.copyRef()); // 同样调用了attachLater方法，与DOCTYPE类似
28 m_openElements.pushHTMLHtmlElement(HTMLStackItem::create(element.copyRef(), WTFMove(token))); // 注意这里，这里向HTMLElementStack中压入了正在插入的html起始标签
29
30 executeQueuedTasks(); // 这里在插入操作直接执行了task，外面HTMLTreeBuilder::constructTree方法调用的executeQueuedTasks方法就会直接返回
31
32 ...
33 }
执行上面代码之后，DOM树变成了如下图所示:
当要插入title起始标签之后，DOM树以及HTMLElementStack m_openElements如下图所示:
3.3 title标签文本，
title标签的文本作为文本节点插入，生成文本节点的代码如下:
1 // 只保留关健代码
2 void HTMLConstructionSite::insertTextNode(const String& characters, WhitespaceMode whitespaceMode)
3 {
4 HTMLConstructionSiteTask task(HTMLConstructionSiteTask::Insert);
5 task.parent = ¤tNode(); // 直接取HTMLElementStack m_openElements的栈顶节点，此时节点是title
6
7 ...
8
9 unsigned currentPosition = 0;
10 unsigned lengthLimit = shouldUseLengthLimit(*task.parent) ? Text::defaultLengthLimit : std::numeric_limits<unsigned>::max(); // 限制文本节点最大包含的字符个数为65536
11
12 ...
13
14
15 // 可以看到如果文本过长，会将分割成多个文本节点
16 while (currentPosition < characters.length()) {
17 AtomString charactersAtom = m_whitespaceCache.lookup(characters, whitespaceMode);
18 auto textNode = Text::createWithLengthLimit(task.parent->document(), charactersAtom.isNull() ? characters : charactersAtom.string(), currentPosition, lengthLimit);
19 // If we have a whole string of unbreakable characters the above could lead to an infinite loop. Exceeding the length limit is the lesser evil.
20 if (!textNode->length()) {
21 String substring = characters.substring(currentPosition);
22 AtomString substringAtom = m_whitespaceCache.lookup(substring, whitespaceMode);
23 textNode = Text::create(task.parent->document(), substringAtom.isNull() ? substring : substringAtom.string()); // 生成文本节点
24 }
25
26 currentPosition += textNode->length(); // 下一个文本节点包含的字符起点
27 ASSERT(currentPosition <= characters.length());
28 task.child = WTFMove(textNode);
29
30 executeTask(task); // 直接执行Task插入
31 }
32 }
从代码可以看到，如果一个节点后面跟的文本字符过多，会被分割成多个文本节点插入。下面的例子将title节点后面的文本字符个数设置成85248，使用Safari查看确实生成了2个文本节点:
当遇到title结束标签，代码处理如下:
1 // 代码内部有很多状态处理，这里只保留关健代码
2 void HTMLTreeBuilder::processEndTag(AtomHTMLToken&& token)
3 {
4 ASSERT(token.type() == HTMLToken::EndTag);
5 switch (m_insertionMode) {
6 ...
7
8 case InsertionMode::Text: // 由于遇到title结束标签之前插入了文本，因此此时的插入模式就是InsertionMode::Text
9
10 m_tree.openElements().pop(); // 因为遇到了title结束标签，整个标签已经处理完毕，从HTMLElementStack栈中弹出栈顶元素title
11 m_insertionMode = m_originalInsertionMode; // 恢复之前的插入模式
12 break;
13
14 ...
15 }
每当遇到一个标签的结束标签，都会像上面一样将HTMLElementStack m_openElementsStack的栈顶元素弹出。执行上面代码之后，DOM树与HTMLElementStack如下图所示:
当整个DOM树构建完成之后，DOM树和HTMLElementStack m_openElements如下图所示:
从上图可以看到，当构建完DOM，HTMLElementStack m_openElements并没有将栈完全清空，而是保留了2个节点:html节点与body节点。这可以从Xcode的控制台输出看到:
同时可以看到，内存中的DOM树结构和文章开头画的逻辑上的DOM树结构是不一样的。逻辑上的DOM树父节点有多少子节点，就有多少指向子节点的指针，而内存中的DOM树，不管父节点有多少子节点，始终只有2个指针指向子节点:m_firstChild与m_lastChild。同时，内存中的DOM树兄弟节点之间也相互有指针引用，而逻辑上的DOM树结构是没有的。通过这样的数据结构，使得内存中的DOM结构所占用的空间大大减少，同时也能达到遍历整棵树的效果。试想一下，如果一个父节点有100个子节点，那么使用逻辑上的DOM树结构，父节点就需要100个指向子节点的指针，如果一个指针占用8字节，那么总共就要占用800字节。但是使用上面内存中DOM的表示方式，父节点只需要2个指针就可以了，总共占用16字节，内存消耗大大减少。虽然两者实现方式不一样，但是两者是等价的，都可以正确的表示HTML文档。
