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。