在JavaScript中严格的HTML解析

Question

在Google Chrome(Canary)上,似乎没有字符串可以使DOM解析器失败.我正在尝试解析一些HTML,但如果HTML不完全,100%,有效,我希望它显示错误.我试过了明显的事:

var newElement = document.createElement('div');
newElement.innerHTML = someMarkup; // Might fail on IE, never on Chrome.

我也在这个问题上试过这个方法.无效标记不会失败,即使是我能生成的最无效的标记也是如此.

那么,至少有一些方法可以在Google Chrome中"严格"解析HTML吗？我不想自己使用令牌或使用外部验证实用程序.如果没有其他选择,那么严格的XML解析器就可以了,但某些元素不需要在HTML中关闭标记,最好不要失败.

Answer 1

使用DOMParser以两个步骤检查文档:

1. 通过将文档解析为XML来验证文档是否符合XML.
2. 将字符串解析为HTML.这需要对DOMParser进行修改.
   循环遍历每个元素,并检查DOM元素是否是实例HTMLUnknownElement.为此,getElementsByTagName('*')适合.
   (如果要严格解析文档,则必须以递归方式遍历每个元素,并记住是否允许将元素放置在该位置.例如,<area>in <map>)

演示:http://jsfiddle.net/q66Ep/1/

/* DOM parser for text/html, see https://stackoverflow.com/a/9251106/938089 */
;(function(DOMParser) {"use strict";var DOMParser_proto=DOMParser.prototype,real_parseFromString=DOMParser_proto.parseFromString;try{if((new DOMParser).parseFromString("", "text/html"))return;}catch(e){}DOMParser_proto.parseFromString=function(markup,type){if(/^\s*text\/html\s*(;|$)/i.test(type)){var doc=document.implementation.createHTMLDocument(""),doc_elt=doc.documentElement,first_elt;doc_elt.innerHTML=markup;first_elt=doc_elt.firstElementChild;if (doc_elt.childElementCount===1&&first_elt.localName.toLowerCase()==="html")doc.replaceChild(first_elt,doc_elt);return doc;}else{return real_parseFromString.apply(this, arguments);}};}(DOMParser));

/*
 * @description              Validate a HTML string
 * @param       String html  The HTML string to be validated 
 * @returns            null  If the string is not wellformed XML
 *                    false  If the string contains an unknown element
 *                     true  If the string satisfies both conditions
 */
function validateHTML(html) {
    var parser = new DOMParser()
      , d = parser.parseFromString('<?xml version="1.0"?>'+html,'text/xml')
      , allnodes;
    if (d.querySelector('parsererror')) {
        console.log('Not welformed HTML (XML)!');
        return null;
    } else {
        /* To use text/html, see https://stackoverflow.com/a/9251106/938089 */
        d = parser.parseFromString(html, 'text/html');
        allnodes = d.getElementsByTagName('*');
        for (var i=allnodes.length-1; i>=0; i--) {
            if (allnodes[i] instanceof HTMLUnknownElement) return false;
        }
    }
    return true; /* The document is syntactically correct, all tags are closed */
}

console.log(validateHTML('<div>'));  //  null, because of the missing close tag
console.log(validateHTML('<x></x>'));// false, because it's not a HTML element
console.log(validateHTML('<a></a>'));//  true, because the tag is closed,
                                     //       and the element is a HTML element

有关没有DOMParser的XML验证的替代方法,请参阅本答案的修订版1.

注意事项

• 当前方法完全忽略doctype,以进行验证.
• 这个方法返回null了<input type="text">,而它是有效的HTML5(因为标签未关闭).
• 不检查一致性.