net.html: create html parser module (#6076)
parent
97fec78b40
commit
f6a85d5305
|
@ -0,0 +1,109 @@
|
||||||
|
# V HTML
|
||||||
|
|
||||||
|
A HTML parser made in V
|
||||||
|
|
||||||
|
## Usage
|
||||||
|
|
||||||
|
If description below isn't enought, see test files
|
||||||
|
|
||||||
|
### Parser
|
||||||
|
|
||||||
|
Responsible for read HTML in full strings or splited string and returns all Tag objets of it HTML or return a DocumentObjectModel, that will try to find how the HTML Tree is.
|
||||||
|
|
||||||
|
#### split_parse(data string)
|
||||||
|
This functions is the main function called by parse method to fragment parse your HTML
|
||||||
|
|
||||||
|
#### parse_html(data string, is_file bool)
|
||||||
|
This function is called passing a filename or a complete html data string to it
|
||||||
|
|
||||||
|
#### add_code_tag(name string)
|
||||||
|
This function is used to add a tag for the parser ignore it's content. For example, if you have an html or XML with a custom tag, like `<script>`, using this function, like `add_code_tag('script')` will make all `script` tags content be jumped, so you still have its content, but will not confuse the parser with it's `>` or `<`
|
||||||
|
|
||||||
|
#### finalize()
|
||||||
|
When using **split_parse** method, you must call this function to ends the parse completely
|
||||||
|
|
||||||
|
#### get_tags() []Tag_ptr
|
||||||
|
This functions returns a array with all tags and it's content
|
||||||
|
|
||||||
|
#### get_dom() DocumentObjectModel
|
||||||
|
Returns the DocumentObjectModel for current parsed tags
|
||||||
|
|
||||||
|
### WARNING
|
||||||
|
If you want to reuse parser object to parse another HTML, call `initialize_all()` function first
|
||||||
|
|
||||||
|
### DocumentObjectModel
|
||||||
|
|
||||||
|
A DOM object that will make easier to access some tags and search it
|
||||||
|
|
||||||
|
#### get_by_attribute_value(name string, value string) []Tag_ptr
|
||||||
|
This function retuns a Tag array with all tags in document that have a attribute with given name and given value
|
||||||
|
|
||||||
|
#### get_by_tag(name string) []Tag_ptr
|
||||||
|
This function retuns a Tag array with all tags in document that have a name with the given value
|
||||||
|
|
||||||
|
#### get_by_attribute(name string) []Tag_ptr
|
||||||
|
This function retuns a Tag array with all tags in document that have a attribute with given name
|
||||||
|
|
||||||
|
#### get_root() Tag_ptr
|
||||||
|
This function returns the root Tag
|
||||||
|
|
||||||
|
#### get_all_tags() []Tag_ptr
|
||||||
|
This function returns all important tags, removing close tags
|
||||||
|
|
||||||
|
### Tag
|
||||||
|
|
||||||
|
An object that holds tags information, such as `name`, `attributes`, `children`
|
||||||
|
|
||||||
|
#### get_children() []Tag_ptr
|
||||||
|
Returns all children as an array
|
||||||
|
|
||||||
|
#### get_parent() &Tag
|
||||||
|
Returns the parent of current tag
|
||||||
|
|
||||||
|
#### get_name() string
|
||||||
|
Returns tag name
|
||||||
|
|
||||||
|
#### get_content() string
|
||||||
|
Returns tag content
|
||||||
|
|
||||||
|
#### get_attributes() map[string]string
|
||||||
|
Returns all attributes and it value
|
||||||
|
|
||||||
|
#### text() string
|
||||||
|
Returns the content of the tag and all tags inside it. Also, any `<br>` tag will be converted into `\n`
|
||||||
|
|
||||||
|
## Some questions that can appear
|
||||||
|
|
||||||
|
### Q: Why in parser have a `builder_str() string` method that returns only the lexeme string?
|
||||||
|
|
||||||
|
A: Because in early stages of the project, strings.Builder are used, but for some bug existing somewhere, it was necessary to use string directly. Later, it's planned to use strings.Builder again
|
||||||
|
|
||||||
|
### Q: Why have a `compare_string(a string, b string) bool` method?
|
||||||
|
|
||||||
|
A: For some reason when using != and == in strings directly, it not working. So, this method is a workaround
|
||||||
|
|
||||||
|
### Q: Will be something like `XPath`?
|
||||||
|
|
||||||
|
A: Like XPath yes. Exactly equal to it, no.
|
||||||
|
|
||||||
|
## Roadmap
|
||||||
|
- [x] Parser
|
||||||
|
- [x] `<!-- Comments -->` detection
|
||||||
|
- [x] `Open Generic tags` detection
|
||||||
|
- [x] `Close Generic tags` detection
|
||||||
|
- [x] `verify string` detection
|
||||||
|
- [x] `tag attributes` detection
|
||||||
|
- [x] `attributes values` detection
|
||||||
|
- [x] `tag text` (on tag it is declared as content, maybe change for text in the future)
|
||||||
|
- [x] `text file for parse` support (open local files for parsing)
|
||||||
|
- [x] `open_code` verification
|
||||||
|
- [x] DocumentObjectModel
|
||||||
|
- [x] push elements that have a close tag into stack
|
||||||
|
- [x] remove elements from stack
|
||||||
|
- [x] ~~create a new document root if have some syntax error (deleted)~~
|
||||||
|
- [x] search tags in `DOM` by attributes
|
||||||
|
- [x] search tags in `DOM` by tag type
|
||||||
|
- [x] finish dom test
|
||||||
|
|
||||||
|
## License
|
||||||
|
[GPL3](LICENSE)
|
|
@ -0,0 +1,88 @@
|
||||||
|
module html
|
||||||
|
|
||||||
|
#include <limits.h>
|
||||||
|
struct Stack {
|
||||||
|
null_element int = C.INT_MIN
|
||||||
|
mut:
|
||||||
|
elements []int
|
||||||
|
size int = 0
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (stack Stack) is_null(data int) bool {
|
||||||
|
return data == stack.null_element
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (stack Stack) is_empty() bool {
|
||||||
|
return stack.size <= 0
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (stack Stack) peek() int {
|
||||||
|
if !stack.is_empty() {
|
||||||
|
return stack.elements[stack.size - 1]
|
||||||
|
}
|
||||||
|
return stack.null_element
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut stack Stack) pop() int {
|
||||||
|
mut to_return := stack.null_element
|
||||||
|
if !stack.is_empty() {
|
||||||
|
to_return = stack.elements[stack.size - 1]
|
||||||
|
stack.size--
|
||||||
|
}
|
||||||
|
return to_return
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut stack Stack) push(item int) {
|
||||||
|
if stack.elements.len > stack.size {
|
||||||
|
stack.elements[stack.size] = item
|
||||||
|
} else {
|
||||||
|
stack.elements << item
|
||||||
|
}
|
||||||
|
stack.size++
|
||||||
|
}
|
||||||
|
|
||||||
|
struct BTree {
|
||||||
|
mut:
|
||||||
|
all_tags []Tag
|
||||||
|
node_pointer int = 0
|
||||||
|
childrens [][]int
|
||||||
|
parents []int
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut btree BTree) add_children(tag Tag) int {
|
||||||
|
btree.all_tags << tag
|
||||||
|
if btree.all_tags.len > 1 {
|
||||||
|
for btree.childrens.len <= btree.node_pointer {
|
||||||
|
// println("${btree.childrens.len} <= ${btree.node_pointer}")
|
||||||
|
mut temp_array := btree.childrens
|
||||||
|
temp_array << []int{}
|
||||||
|
btree.childrens = temp_array
|
||||||
|
}
|
||||||
|
btree.childrens[btree.node_pointer] << btree.all_tags.len - 1
|
||||||
|
for btree.parents.len < btree.all_tags.len {
|
||||||
|
mut temp_array := btree.parents
|
||||||
|
temp_array << 0
|
||||||
|
btree.parents = temp_array
|
||||||
|
}
|
||||||
|
btree.parents[btree.all_tags.len - 1] = btree.node_pointer
|
||||||
|
}
|
||||||
|
return btree.all_tags.len - 1
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (btree BTree) get_children() []int {
|
||||||
|
return btree.childrens[btree.node_pointer]
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (btree BTree) get_parent() int {
|
||||||
|
return btree.parents[btree.node_pointer]
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (btree BTree) get_stored() Tag {
|
||||||
|
return btree.all_tags[btree.node_pointer]
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut btree BTree) move_pointer(to int) {
|
||||||
|
if to < btree.all_tags.len {
|
||||||
|
btree.node_pointer = to
|
||||||
|
}
|
||||||
|
}
|
|
@ -0,0 +1,216 @@
|
||||||
|
module html
|
||||||
|
|
||||||
|
import os
|
||||||
|
|
||||||
|
pub struct DocumentObjectModel {
|
||||||
|
mut:
|
||||||
|
root &Tag
|
||||||
|
constructed bool = false
|
||||||
|
btree BTree
|
||||||
|
all_tags []&Tag
|
||||||
|
all_attributes map[string][]&Tag
|
||||||
|
close_tags map[string]bool // add a counter to see count how many times is closed and parse correctly
|
||||||
|
attributes map[string][]string
|
||||||
|
tag_attributes map[string][][]&Tag
|
||||||
|
tag_type map[string][]&Tag
|
||||||
|
debug_file os.File
|
||||||
|
}
|
||||||
|
|
||||||
|
[if debug]
|
||||||
|
fn (mut dom DocumentObjectModel) print_debug(data string) {
|
||||||
|
$if debug {
|
||||||
|
if data.len > 0 {
|
||||||
|
dom.debug_file.writeln(data)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
/*
|
||||||
|
fn (dom mut DocumentObjectModel) new_root(tag &Tag) {
|
||||||
|
mut new_tag := &Tag{} new_tag.name = "div"
|
||||||
|
new_tag.add_child(dom.root) new_tag.add_child(tag)
|
||||||
|
dom.root = new_tag
|
||||||
|
}
|
||||||
|
*/
|
||||||
|
fn is_close_tag(tag &Tag) bool {
|
||||||
|
if tag.name.len > 0 {
|
||||||
|
return tag.name[0] == 47 // return if equals to /
|
||||||
|
}
|
||||||
|
return false
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut dom DocumentObjectModel) where_is(item_name, attribute_name string) int {
|
||||||
|
if !(attribute_name in dom.attributes) {
|
||||||
|
temp_array := []string{}
|
||||||
|
dom.attributes[attribute_name] = temp_array
|
||||||
|
}
|
||||||
|
mut string_array := dom.attributes[attribute_name]
|
||||||
|
mut counter := 0
|
||||||
|
for value in string_array {
|
||||||
|
if value == item_name {
|
||||||
|
return counter
|
||||||
|
}
|
||||||
|
counter++
|
||||||
|
}
|
||||||
|
string_array << item_name
|
||||||
|
dom.attributes[attribute_name] = string_array
|
||||||
|
return string_array.len - 1
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut dom DocumentObjectModel) add_tag_attribute(tag &Tag) {
|
||||||
|
for attribute_name in tag.attributes.keys() {
|
||||||
|
attribute_value := tag.attributes[attribute_name]
|
||||||
|
location := dom.where_is(attribute_value, attribute_name)
|
||||||
|
if !(attribute_name in dom.tag_attributes) {
|
||||||
|
dom.tag_attributes[attribute_name] = []
|
||||||
|
}
|
||||||
|
for {
|
||||||
|
mut temp_array := dom.tag_attributes[attribute_name]
|
||||||
|
temp_array << []&Tag{}
|
||||||
|
dom.tag_attributes[attribute_name] = temp_array
|
||||||
|
if location < dom.tag_attributes[attribute_name].len + 1 {
|
||||||
|
break
|
||||||
|
}
|
||||||
|
}
|
||||||
|
mut temp_array := dom.tag_attributes[attribute_name][location]
|
||||||
|
temp_array << tag
|
||||||
|
dom.tag_attributes[attribute_name][location] = temp_array
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut dom DocumentObjectModel) add_tag_by_type(tag &Tag) {
|
||||||
|
tag_name := tag.name
|
||||||
|
if !(tag_name in dom.tag_type) {
|
||||||
|
dom.tag_type[tag_name] = [tag]
|
||||||
|
} else {
|
||||||
|
mut temp_array := dom.tag_type[tag_name]
|
||||||
|
temp_array << tag
|
||||||
|
dom.tag_type[tag_name] = temp_array
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut dom DocumentObjectModel) add_tag_by_attribute(tag &Tag) {
|
||||||
|
for attribute_name in tag.attributes.keys() {
|
||||||
|
if !(attribute_name in dom.all_attributes) {
|
||||||
|
dom.all_attributes[attribute_name] = [tag]
|
||||||
|
} else {
|
||||||
|
mut temp_array := dom.all_attributes[attribute_name]
|
||||||
|
temp_array << tag
|
||||||
|
dom.all_attributes[attribute_name] = temp_array
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn compare_string(a, b string) bool { // for some reason == doesn't work
|
||||||
|
if a.len != b.len {
|
||||||
|
return false
|
||||||
|
}
|
||||||
|
for i := 0; i < a.len; i++ {
|
||||||
|
if a[i] != b[i] {
|
||||||
|
return false
|
||||||
|
}
|
||||||
|
}
|
||||||
|
return true
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut dom DocumentObjectModel) construct(tag_list []Tag_ptr) {
|
||||||
|
dom.constructed = true
|
||||||
|
mut temp_map := map[string]int{}
|
||||||
|
mut temp_int := C.INT_MIN
|
||||||
|
mut temp_string := ''
|
||||||
|
mut stack := Stack{}
|
||||||
|
dom.btree = BTree{}
|
||||||
|
dom.root = tag_list[0]
|
||||||
|
dom.all_tags = [tag_list[0]]
|
||||||
|
temp_map['0'] = dom.btree.add_children(tag_list[0])
|
||||||
|
stack.push(0)
|
||||||
|
root_index := 0
|
||||||
|
for index := 1; index < tag_list.len; index++ {
|
||||||
|
mut tag := tag_list[index]
|
||||||
|
dom.print_debug(tag.str())
|
||||||
|
if is_close_tag(tag) {
|
||||||
|
temp_int = stack.peek()
|
||||||
|
temp_string = tag.name[1..tag.name.len] // print(temp_string + " != " + tag_list[temp_int].name + " >> ") // println(temp_string != tag_list[temp_int].name)
|
||||||
|
for !stack.is_null(temp_int) &&
|
||||||
|
!compare_string(temp_string, tag_list[temp_int].name) && !tag_list[temp_int].closed {
|
||||||
|
dom.print_debug(temp_string + ' >> ' + tag_list[temp_int].name + ' ' +
|
||||||
|
compare_string(temp_string, tag_list[temp_int].name).str())
|
||||||
|
stack.pop()
|
||||||
|
temp_int = stack.peek()
|
||||||
|
}
|
||||||
|
temp_int = stack.peek()
|
||||||
|
if !stack.is_null(temp_int) {
|
||||||
|
temp_int = stack.pop()
|
||||||
|
} else {
|
||||||
|
temp_int = root_index
|
||||||
|
}
|
||||||
|
if stack.is_null(temp_int) {
|
||||||
|
stack.push(root_index)
|
||||||
|
}
|
||||||
|
dom.print_debug('Removed ' + temp_string + ' -- ' + tag_list[temp_int].name)
|
||||||
|
} else if tag.name.len > 0 {
|
||||||
|
dom.add_tag_attribute(tag) // error here
|
||||||
|
dom.add_tag_by_attribute(tag)
|
||||||
|
dom.add_tag_by_type(tag)
|
||||||
|
dom.all_tags << tag
|
||||||
|
temp_int = stack.peek()
|
||||||
|
if !stack.is_null(temp_int) {
|
||||||
|
dom.btree.move_pointer(temp_map[temp_int.str()])
|
||||||
|
temp_map[index.str()] = dom.btree.add_children(tag)
|
||||||
|
mut temp_tag := tag_list[temp_int]
|
||||||
|
position_in_parent := temp_tag.add_child(tag) // tag_list[temp_int] = temp_tag
|
||||||
|
tag.add_parent(temp_tag, position_in_parent)
|
||||||
|
/*
|
||||||
|
dom.print_debug("Added ${tag.name} as child of '" + tag_list[temp_int].name +
|
||||||
|
"' which now has ${dom.btree.get_children().len} childrens")
|
||||||
|
*/
|
||||||
|
dom.print_debug("Added $tag.name as child of '" + temp_tag.name +
|
||||||
|
"' which now has $temp_tag.get_children().len childrens")
|
||||||
|
} else { // dom.new_root(tag)
|
||||||
|
stack.push(root_index)
|
||||||
|
}
|
||||||
|
temp_string = '/' + tag.name
|
||||||
|
if temp_string in dom.close_tags && !tag.closed { // if tag ends with />
|
||||||
|
dom.print_debug('Pushed ' + temp_string)
|
||||||
|
stack.push(index)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
} // println(tag_list[root_index]) for debug purposes
|
||||||
|
dom.root = tag_list[0]
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (mut dom DocumentObjectModel) get_by_attribute_value(name, value string) []Tag_ptr {
|
||||||
|
location := dom.where_is(value, name)
|
||||||
|
if dom.tag_attributes[name].len > location {
|
||||||
|
return dom.tag_attributes[name][location]
|
||||||
|
}
|
||||||
|
return []&Tag{}
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (dom DocumentObjectModel) get_by_tag(name string) []Tag_ptr {
|
||||||
|
if name in dom.tag_type {
|
||||||
|
return dom.tag_type[name]
|
||||||
|
}
|
||||||
|
return []&Tag{}
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (dom DocumentObjectModel) get_by_attribute(name string) []Tag_ptr {
|
||||||
|
if name in dom.all_attributes {
|
||||||
|
return dom.all_attributes[name]
|
||||||
|
}
|
||||||
|
return []&Tag{}
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (dom DocumentObjectModel) get_root() &Tag {
|
||||||
|
return dom.root
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (dom DocumentObjectModel) get_all_tags() []Tag_ptr {
|
||||||
|
return dom.all_tags
|
||||||
|
}
|
||||||
|
|
||||||
|
/*pub fn (dom DocumentObjectModel) get_xpath() XPath {
|
||||||
|
return XPath{
|
||||||
|
dom: dom
|
||||||
|
}
|
||||||
|
}*/
|
|
@ -0,0 +1,60 @@
|
||||||
|
module html
|
||||||
|
|
||||||
|
fn generate_temp_html() string {
|
||||||
|
mut temp_html := '<!doctype html><html><head><title>Giant String</title></head><body>'
|
||||||
|
for counter := 0; counter < 4; counter++ {
|
||||||
|
temp_html += "<div id='name_$counter' "
|
||||||
|
temp_html += "class='several-$counter'>Look at $counter</div>"
|
||||||
|
}
|
||||||
|
temp_html += '</body></html>'
|
||||||
|
return temp_html
|
||||||
|
}
|
||||||
|
|
||||||
|
fn generate_dom(temp_html string) DocumentObjectModel {
|
||||||
|
mut parser := Parser{}
|
||||||
|
parser.parse_html(temp_html, false)
|
||||||
|
dom := parser.get_dom()
|
||||||
|
return dom
|
||||||
|
}
|
||||||
|
|
||||||
|
fn test_search_by_tag_type() {
|
||||||
|
dom := generate_dom(generate_temp_html())
|
||||||
|
assert dom.get_by_tag('div').len == 4
|
||||||
|
assert dom.get_by_tag('head').len == 1
|
||||||
|
assert dom.get_by_tag('body').len == 1
|
||||||
|
}
|
||||||
|
|
||||||
|
fn test_search_by_attribute_value() {
|
||||||
|
mut dom := generate_dom(generate_temp_html())
|
||||||
|
// println(temp_html)
|
||||||
|
print('Amount ')
|
||||||
|
println(dom.get_by_attribute_value('id', 'name_0'))
|
||||||
|
assert dom.get_by_attribute_value('id', 'name_0').len == 1
|
||||||
|
}
|
||||||
|
|
||||||
|
fn test_access_parent() {
|
||||||
|
mut dom := generate_dom(generate_temp_html())
|
||||||
|
div_tags := dom.get_by_tag('div')[0]
|
||||||
|
assert div_tags.get_parent() != C.NULL
|
||||||
|
parent := div_tags.get_parent()
|
||||||
|
for div_tag in div_tags {
|
||||||
|
assert div_tag.get_parent() == parent
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn test_search_by_attributes() {
|
||||||
|
dom := generate_dom(generate_temp_html())
|
||||||
|
assert dom.get_by_attribute('id').len == 4
|
||||||
|
}
|
||||||
|
|
||||||
|
fn test_tags_used() {
|
||||||
|
dom := generate_dom(generate_temp_html())
|
||||||
|
assert dom.get_all_tags().len == 9
|
||||||
|
}
|
||||||
|
|
||||||
|
fn test_access_tag_fields() {
|
||||||
|
dom := generate_dom(generate_temp_html())
|
||||||
|
id_tags := dom.get_by_attribute('id')
|
||||||
|
assert id_tags[0].get_name() == "div"
|
||||||
|
assert id_tags[1].get_attributes()['class'] == "several-1"
|
||||||
|
}
|
|
@ -0,0 +1,283 @@
|
||||||
|
module html
|
||||||
|
|
||||||
|
import os
|
||||||
|
|
||||||
|
struct LexycalAttributes {
|
||||||
|
mut:
|
||||||
|
current_tag &Tag
|
||||||
|
open_tag bool = false
|
||||||
|
open_code bool = false
|
||||||
|
open_string int = 0
|
||||||
|
open_comment bool = false
|
||||||
|
is_attribute bool = false
|
||||||
|
opened_code_type string = ''
|
||||||
|
line_count int = 0
|
||||||
|
lexeme_builder string
|
||||||
|
code_tags map[string]bool = {
|
||||||
|
'script': true
|
||||||
|
'style': true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut lxa LexycalAttributes) write_lexeme(data byte) {
|
||||||
|
mut temp := lxa.lexeme_builder
|
||||||
|
temp += data.str()
|
||||||
|
lxa.lexeme_builder = temp
|
||||||
|
}
|
||||||
|
|
||||||
|
pub struct Parser {
|
||||||
|
mut:
|
||||||
|
dom DocumentObjectModel
|
||||||
|
lexycal_attributes LexycalAttributes = LexycalAttributes{
|
||||||
|
current_tag: &Tag{}
|
||||||
|
}
|
||||||
|
filename string = 'direct-parse'
|
||||||
|
initialized bool = false
|
||||||
|
tags []&Tag
|
||||||
|
debug_file os.File
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (mut parser Parser) add_code_tag(name string) {
|
||||||
|
if parser.lexycal_attributes.code_tags.keys().len <= 0 {
|
||||||
|
parser.lexycal_attributes.code_tags = map[string]bool{}
|
||||||
|
parser.lexycal_attributes.code_tags['script'] = true
|
||||||
|
parser.lexycal_attributes.code_tags['style'] = true
|
||||||
|
}
|
||||||
|
if name.len > 0 {
|
||||||
|
parser.lexycal_attributes.code_tags[name] = true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (parser Parser) builder_str() string {
|
||||||
|
return parser.lexycal_attributes.lexeme_builder
|
||||||
|
}
|
||||||
|
|
||||||
|
[if debug]
|
||||||
|
fn (mut parser Parser) print_debug(data string) {
|
||||||
|
$if debug {
|
||||||
|
if data.len > 0 {
|
||||||
|
parser.debug_file.writeln(data)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut parser Parser) verify_end_comment(remove bool) bool {
|
||||||
|
lexeme := parser.builder_str()
|
||||||
|
last := lexeme[lexeme.len - 1]
|
||||||
|
penultimate := lexeme[lexeme.len - 2]
|
||||||
|
mut is_end_comment := false
|
||||||
|
if last.str() == '-' && penultimate.str() == '-' {
|
||||||
|
is_end_comment = true
|
||||||
|
}
|
||||||
|
if is_end_comment && remove {
|
||||||
|
temp := parser.lexycal_attributes.lexeme_builder
|
||||||
|
parser.lexycal_attributes.lexeme_builder = temp[0..temp.len - 2]
|
||||||
|
}
|
||||||
|
return is_end_comment
|
||||||
|
}
|
||||||
|
|
||||||
|
fn blank_string(data string) bool {
|
||||||
|
mut count := 0
|
||||||
|
for word in data {
|
||||||
|
if word == 9 || word == 32 {
|
||||||
|
count++
|
||||||
|
}
|
||||||
|
}
|
||||||
|
return count == data.len
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut parser Parser) initialize_all() {
|
||||||
|
parser.dom = DocumentObjectModel{
|
||||||
|
debug_file: parser.debug_file
|
||||||
|
root: &Tag{}
|
||||||
|
}
|
||||||
|
parser.add_code_tag('')
|
||||||
|
parser.tags = []&Tag{}
|
||||||
|
parser.dom.close_tags['/!document'] = true
|
||||||
|
parser.lexycal_attributes.current_tag = &Tag{}
|
||||||
|
parser.initialized = true
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut parser Parser) generate_tag() {
|
||||||
|
if !parser.lexycal_attributes.open_tag {
|
||||||
|
if parser.lexycal_attributes.current_tag.name.len > 0 ||
|
||||||
|
parser.lexycal_attributes.current_tag.content.len > 0 {
|
||||||
|
parser.tags << parser.lexycal_attributes.current_tag
|
||||||
|
}
|
||||||
|
parser.lexycal_attributes.current_tag = &Tag{}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (mut parser Parser) split_parse(data string) {
|
||||||
|
if !parser.initialized {
|
||||||
|
parser.initialize_all()
|
||||||
|
}
|
||||||
|
for word in data {
|
||||||
|
mut is_quotation := false // " or '
|
||||||
|
if word == 34 || word == 39 {
|
||||||
|
is_quotation = true
|
||||||
|
}
|
||||||
|
string_code := match word {
|
||||||
|
34 { 1 } // "
|
||||||
|
39 { 2 } // '
|
||||||
|
else { 0 }
|
||||||
|
}
|
||||||
|
if parser.lexycal_attributes.open_code { // here will verify all needed to know if open_code finishes and string in code
|
||||||
|
parser.lexycal_attributes.write_lexeme(word)
|
||||||
|
if parser.lexycal_attributes.open_string > 0 {
|
||||||
|
if parser.lexycal_attributes.open_string == string_code {
|
||||||
|
parser.lexycal_attributes.open_string = 0
|
||||||
|
}
|
||||||
|
} else if is_quotation {
|
||||||
|
parser.lexycal_attributes.open_string = string_code
|
||||||
|
} else if word == 62 { // only execute verification if is a > // here will verify < to know if code tag is finished
|
||||||
|
name_close_tag := '</' + parser.lexycal_attributes.opened_code_type + '>'
|
||||||
|
temp_string := parser.builder_str()
|
||||||
|
if temp_string.to_lower().ends_with(name_close_tag) {
|
||||||
|
parser.lexycal_attributes.open_code = false
|
||||||
|
// need to modify lexeme_builder to add script text as a content in next loop (not gave error in dom)
|
||||||
|
parser.lexycal_attributes.lexeme_builder = temp_string[0..temp_string.len -
|
||||||
|
name_close_tag.len]
|
||||||
|
parser.lexycal_attributes.current_tag.closed = true
|
||||||
|
parser.lexycal_attributes.current_tag.close_type = .new_tag
|
||||||
|
}
|
||||||
|
}
|
||||||
|
} else if parser.lexycal_attributes.open_comment {
|
||||||
|
if word == 62 && parser.verify_end_comment(false) { // close tag '>'
|
||||||
|
// parser.print_debug(parser.builder_str() + " >> " + parser.lexycal_attributes.line_count.str())
|
||||||
|
parser.lexycal_attributes.lexeme_builder = '' // strings.Builder{}
|
||||||
|
parser.lexycal_attributes.open_comment = false
|
||||||
|
parser.lexycal_attributes.open_tag = false
|
||||||
|
} else {
|
||||||
|
parser.lexycal_attributes.write_lexeme(word)
|
||||||
|
}
|
||||||
|
} else if parser.lexycal_attributes.open_string > 0 {
|
||||||
|
if parser.lexycal_attributes.open_string == string_code {
|
||||||
|
parser.lexycal_attributes.open_string = 0
|
||||||
|
parser.lexycal_attributes.write_lexeme(word)
|
||||||
|
temp_lexeme := parser.builder_str()
|
||||||
|
if parser.lexycal_attributes.current_tag.last_attribute != '' {
|
||||||
|
parser.lexycal_attributes.current_tag.attributes[parser.lexycal_attributes.current_tag.last_attribute] = temp_lexeme.substr(1,
|
||||||
|
temp_lexeme.len - 1) // parser.print_debug(parser.lexycal_attributes.current_tag.last_attribute + " = " + temp_lexeme)
|
||||||
|
parser.lexycal_attributes.current_tag.last_attribute = ''
|
||||||
|
} else {
|
||||||
|
parser.lexycal_attributes.current_tag.attributes[temp_lexeme.to_lower()] = '' // parser.print_debug(temp_lexeme)
|
||||||
|
}
|
||||||
|
parser.lexycal_attributes.lexeme_builder = ''
|
||||||
|
} else {
|
||||||
|
parser.lexycal_attributes.write_lexeme(word)
|
||||||
|
}
|
||||||
|
} else if parser.lexycal_attributes.open_tag {
|
||||||
|
if parser.lexycal_attributes.lexeme_builder.len == 0 && is_quotation {
|
||||||
|
parser.lexycal_attributes.open_string = string_code
|
||||||
|
parser.lexycal_attributes.write_lexeme(word)
|
||||||
|
} else if word == 62 { // close tag >
|
||||||
|
complete_lexeme := parser.builder_str().to_lower()
|
||||||
|
parser.lexycal_attributes.current_tag.closed = (complete_lexeme.len > 0 &&
|
||||||
|
complete_lexeme[complete_lexeme.len - 1] == 47) // if equals to /
|
||||||
|
if complete_lexeme.len > 0 && complete_lexeme[0] == 47 {
|
||||||
|
parser.dom.close_tags[complete_lexeme] = true
|
||||||
|
}
|
||||||
|
/*
|
||||||
|
else if complete_lexeme.len > 0 && complete_lexeme[complete_lexeme.len - 1] == 47 { // if end tag like "/>"
|
||||||
|
parser.lexycal_attributes.current_tag.closed = true
|
||||||
|
}
|
||||||
|
*/
|
||||||
|
if parser.lexycal_attributes.current_tag.name == '' {
|
||||||
|
parser.lexycal_attributes.current_tag.name = complete_lexeme
|
||||||
|
} else if complete_lexeme != '/' {
|
||||||
|
parser.lexycal_attributes.current_tag.attributes[complete_lexeme] = ''
|
||||||
|
}
|
||||||
|
parser.lexycal_attributes.open_tag = false
|
||||||
|
parser.lexycal_attributes.lexeme_builder = '' // if tag name is code
|
||||||
|
if parser.lexycal_attributes.current_tag.name in parser.lexycal_attributes.code_tags {
|
||||||
|
parser.lexycal_attributes.open_code = true
|
||||||
|
parser.lexycal_attributes.opened_code_type = parser.lexycal_attributes.current_tag.name
|
||||||
|
}
|
||||||
|
// parser.print_debug(parser.lexycal_attributes.current_tag.name)
|
||||||
|
} else if word != 9 && word != 32 && word != 61 && word != 10 { // Tab, space, = and \n
|
||||||
|
parser.lexycal_attributes.write_lexeme(word)
|
||||||
|
} else if word != 10 {
|
||||||
|
complete_lexeme := parser.builder_str().to_lower()
|
||||||
|
if parser.lexycal_attributes.current_tag.name == '' {
|
||||||
|
parser.lexycal_attributes.current_tag.name = complete_lexeme
|
||||||
|
} else {
|
||||||
|
parser.lexycal_attributes.current_tag.attributes[complete_lexeme] = ''
|
||||||
|
parser.lexycal_attributes.current_tag.last_attribute = ''
|
||||||
|
if word == 61 { // if was a =
|
||||||
|
parser.lexycal_attributes.current_tag.last_attribute = complete_lexeme
|
||||||
|
}
|
||||||
|
}
|
||||||
|
parser.lexycal_attributes.lexeme_builder = '' // strings.Builder{}
|
||||||
|
}
|
||||||
|
if parser.builder_str() == '!--' {
|
||||||
|
parser.lexycal_attributes.open_comment = true
|
||||||
|
}
|
||||||
|
} else if word == 60 { // open tag '<'
|
||||||
|
temp_string := parser.builder_str()
|
||||||
|
if parser.lexycal_attributes.lexeme_builder.len >= 1 {
|
||||||
|
if parser.lexycal_attributes.current_tag.name.len > 1 &&
|
||||||
|
parser.lexycal_attributes.current_tag.name[0] == 47 && !blank_string(temp_string) {
|
||||||
|
parser.tags << &Tag{
|
||||||
|
name: 'text'
|
||||||
|
content: temp_string
|
||||||
|
}
|
||||||
|
} else {
|
||||||
|
parser.lexycal_attributes.current_tag.content = temp_string // verify later who has this content
|
||||||
|
}
|
||||||
|
}
|
||||||
|
// parser.print_debug(parser.lexycal_attributes.current_tag.str())
|
||||||
|
parser.lexycal_attributes.lexeme_builder = ''
|
||||||
|
parser.generate_tag()
|
||||||
|
parser.lexycal_attributes.open_tag = true
|
||||||
|
} else {
|
||||||
|
parser.lexycal_attributes.write_lexeme(word)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (mut parser Parser) parse_html(data string, is_file bool) {
|
||||||
|
if !parser.initialized {
|
||||||
|
parser.initialize_all()
|
||||||
|
}
|
||||||
|
mut lines := []string{}
|
||||||
|
if is_file {
|
||||||
|
file_lines := os.read_lines(data) or {
|
||||||
|
eprintln('failed to read the file $data')
|
||||||
|
return
|
||||||
|
}
|
||||||
|
lines = file_lines
|
||||||
|
} else {
|
||||||
|
lines = data.split_into_lines()
|
||||||
|
}
|
||||||
|
for line in lines {
|
||||||
|
parser.lexycal_attributes.line_count++
|
||||||
|
parser.split_parse(line)
|
||||||
|
}
|
||||||
|
parser.generate_tag()
|
||||||
|
parser.dom.debug_file = parser.debug_file
|
||||||
|
parser.dom.construct(parser.tags) // println(parser.close_tags.keys())
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (mut parser Parser) finalize() {
|
||||||
|
parser.generate_tag()
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (parser Parser) get_tags() []Tag_ptr {
|
||||||
|
return parser.tags
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (mut parser Parser) get_dom() DocumentObjectModel {
|
||||||
|
if !parser.dom.constructed {
|
||||||
|
parser.generate_tag()
|
||||||
|
parser.dom.construct(parser.tags)
|
||||||
|
}
|
||||||
|
return parser.dom
|
||||||
|
}
|
||||||
|
|
||||||
|
/*pub fn (mut parser Parser) get_xpath() XPath {
|
||||||
|
dom := parser.get_dom()
|
||||||
|
return XPath{
|
||||||
|
dom: dom
|
||||||
|
}
|
||||||
|
}*/
|
|
@ -0,0 +1,52 @@
|
||||||
|
module html
|
||||||
|
|
||||||
|
//import net.http
|
||||||
|
|
||||||
|
fn test_split_parse() {
|
||||||
|
mut parser := Parser{}
|
||||||
|
parser.initialize_all()
|
||||||
|
parser.split_parse('<!doctype htm')
|
||||||
|
parser.split_parse('l public')
|
||||||
|
parser.split_parse('><html><he')
|
||||||
|
parser.split_parse('ad><t')
|
||||||
|
parser.split_parse('itle> Hum... ')
|
||||||
|
parser.split_parse('A Tit')
|
||||||
|
parser.split_parse('\nle</ti\ntle>')
|
||||||
|
parser.split_parse('</\nhead><body>\t\t\t<h3>')
|
||||||
|
parser.split_parse('Nice Test!</h3>')
|
||||||
|
parser.split_parse('</bo\n\n\ndy></html>')
|
||||||
|
parser.finalize()
|
||||||
|
assert parser.get_tags().len == 11
|
||||||
|
assert parser.get_tags()[3].get_content() == ' Hum... A Tit\nle'
|
||||||
|
}
|
||||||
|
|
||||||
|
fn test_giant_string() {
|
||||||
|
mut temp_html := '<!doctype html><html><head><title>Giant String</title></head><body>'
|
||||||
|
for counter := 0; counter < 2000; counter++ {
|
||||||
|
temp_html += "<div id='name_$counter' class='several-$counter'>Look at $counter</div>"
|
||||||
|
}
|
||||||
|
temp_html += '</body></html>'
|
||||||
|
mut parser := Parser{}
|
||||||
|
parser.parse_html(temp_html, false)
|
||||||
|
assert parser.get_tags().len == 4009
|
||||||
|
}
|
||||||
|
|
||||||
|
fn test_script_tag() {
|
||||||
|
temp_html := "<html><body><script>\nvar googletag = googletag || {};\n
|
||||||
|
googletag.cmd = googletag.cmd || [];if(3 > 5) {console.log('Birl');}\n</script></body></html>"
|
||||||
|
mut parser := Parser{}
|
||||||
|
parser.parse_html(temp_html, false)
|
||||||
|
assert parser.get_tags()[2].get_content().len == 101
|
||||||
|
}
|
||||||
|
|
||||||
|
/*fn test_download_source() {
|
||||||
|
println('Fetching github data in pastebin')
|
||||||
|
resp := http.get('https://pastebin.com/raw/5snUQgqN') or {
|
||||||
|
println('failed to fetch data from the server')
|
||||||
|
return
|
||||||
|
}
|
||||||
|
println('Finalized fetching, start parsing')
|
||||||
|
mut parser := Parser{}
|
||||||
|
parser.parse_html(resp.text, false)
|
||||||
|
assert parser.get_tags().len == 2244
|
||||||
|
}*/
|
|
@ -0,0 +1,86 @@
|
||||||
|
module html
|
||||||
|
|
||||||
|
enum CloseTagType {
|
||||||
|
in_name
|
||||||
|
new_tag
|
||||||
|
}
|
||||||
|
|
||||||
|
[ref_only]
|
||||||
|
pub struct Tag {
|
||||||
|
mut:
|
||||||
|
name string = ''
|
||||||
|
attributes map[string]string // attributes will be like map[name]value
|
||||||
|
last_attribute string = ''
|
||||||
|
content string = ''
|
||||||
|
children []&Tag
|
||||||
|
parent &Tag = C.NULL
|
||||||
|
position_in_parent int = 0
|
||||||
|
closed bool = false
|
||||||
|
close_type CloseTagType = .in_name
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut tag Tag) add_parent(t &Tag, position int) {
|
||||||
|
tag.position_in_parent = position
|
||||||
|
tag.parent = t
|
||||||
|
}
|
||||||
|
|
||||||
|
fn (mut tag Tag) add_child(t &Tag) int {
|
||||||
|
mut children := tag.children
|
||||||
|
children << t
|
||||||
|
tag.children = children
|
||||||
|
return tag.children.len
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (tag Tag) get_children() []Tag_ptr {
|
||||||
|
return tag.children
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (tag Tag) get_parent() &Tag {
|
||||||
|
return tag.parent
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (tag Tag) get_name() string {
|
||||||
|
return tag.name
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (tag Tag) get_content() string {
|
||||||
|
return tag.content
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (tag Tag) get_attributes() map[string]string {
|
||||||
|
return tag.attributes
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (tag Tag) text() string {
|
||||||
|
if tag.name.len >= 2 && tag.name[0..2] == 'br' {
|
||||||
|
return '\n'
|
||||||
|
}
|
||||||
|
mut to_return := tag.content.replace('\n', '')
|
||||||
|
for index := 0; index < tag.children.len; index++ {
|
||||||
|
to_return += tag.children[index].text()
|
||||||
|
}
|
||||||
|
return to_return
|
||||||
|
}
|
||||||
|
|
||||||
|
pub fn (tag &Tag) str() string {
|
||||||
|
mut to_return := '<$tag.name'
|
||||||
|
for key in tag.attributes.keys() {
|
||||||
|
to_return += ' $key'
|
||||||
|
value := tag.attributes[key]
|
||||||
|
if value.len > 0 {
|
||||||
|
to_return += '=' + '"${tag.attributes[key]}"'
|
||||||
|
}
|
||||||
|
}
|
||||||
|
to_return += if tag.closed && tag.close_type == .in_name { '/>' } else { '>' }
|
||||||
|
to_return += '$tag.content'
|
||||||
|
if tag.children.len > 0 {
|
||||||
|
// println('${tag.name} have ${tag.children.len} childrens')
|
||||||
|
for index := 0; index < tag.children.len; index++ {
|
||||||
|
to_return += tag.get_children()[index].str()
|
||||||
|
}
|
||||||
|
}
|
||||||
|
if !tag.closed || tag.close_type == .new_tag {
|
||||||
|
to_return += '</$tag.name>'
|
||||||
|
}
|
||||||
|
return to_return
|
||||||
|
}
|
Loading…
Reference in New Issue