← 返回完整题库
HTML困难

浏览器是怎么解析 HTML 文档的?

参考答案

标准里叫 HTML 解析算法,分两个阶段交替进行:

1. 预处理与分词(Tokenizer)

  • 字节流先按 charset(响应头 → BOM → meta)解码成字符流。
  • 状态机逐字符扫描,产出 token:DOCTYPE、开始标签(含标签名、属性名/值)、结束标签、字符、注释、CDATA。
  • 属性解析时有重复属性取第一个、属性名统一小写;字符引用(& 等)在这里解码。

2. 树构建(Tree Construction)

  • 维护一个「打开元素栈」+ 插入模式(insertion mode:initial、in body、in table 等),按当前模式和 token 决定插到哪个父节点。
  • 生成 Element / Text / Comment 节点挂到 Document,逐步形成 DOM 树。
  • 容错是规范的一部分:自动补 html/head/body;p 里遇到块级元素自动闭合;li、tr、td 未闭合时按规则收敛;孤立结束标签直接忽略。所以最终 DOM 可能和手写结构不一致,这也是不能用正则/字符串解析 HTML 的原因。

3. 与其他环节的交互

  • 遇到同步 script:暂停解析,等下载并执行完再继续(async 下载完执行、defer 解析后按序执行)。
  • 解析时另开预解析器并行扫描后续资源并提前请求(图片、CSS、脚本)。
  • CSS 不阻塞解析,但会阻塞渲染和其后的脚本执行;DOM 就绪后触发 DOMContentLoaded。

本题来自 计算机知识面试题库,共 921 道题。