src/html_parser.cpp

   1 /* This file is part of Metaproxy.
   2    Copyright (C) 2005-2013 Index Data
   3
   4 Metaproxy is free software; you can redistribute it and/or modify it under
   5 the terms of the GNU General Public License as published by the Free
   6 Software Foundation; either version 2, or (at your option) any later
   7 version.
   8
   9 Metaproxy is distributed in the hope that it will be useful, but WITHOUT ANY
  10 WARRANTY; without even the implied warranty of MERCHANTABILITY or
  11 FITNESS FOR A PARTICULAR PURPOSE.  See the GNU General Public License
  12 for more details.
  13
  14 You should have received a copy of the GNU General Public License
  15 along with this program; if not, write to the Free Software
  16 Foundation, Inc., 51 Franklin St, Fifth Floor, Boston, MA  02110-1301  USA
  17 */
  18
  19 #include "config.hpp"
  20 #include "html_parser.hpp"
  21
  22 #include <assert.h>
  23 #include <string.h>
  24 #include <stdlib.h>
  25 #include <ctype.h>
  26 #include <stdio.h>
  27
  28 #define SPACECHR " \t\r\n\f"
  29
  30
  31 namespace metaproxy_1 {
  32     class HTMLParser::Rep {
  33         friend class HTMLParser;
  34     public:
  35         void parse_str(HTMLParserEvent &event, const char *cp);
  36         void tagText(HTMLParserEvent &event,
  37                      const char *text_start, const char *text_end);
  38         int tagEnd(HTMLParserEvent &event,
  39                    const char *tag, int tag_len, const char *cp);
  40         int tagStart(HTMLParserEvent &event,
  41                      int *tag_len, const char *cp, const char which);
  42         int tagAttrs(HTMLParserEvent &event,
  43                      const char *name, int len,
  44                      const char *cp);
  45         int skipAttribute(HTMLParserEvent &event,
  46                           const char *cp, int *attr_len,
  47                           const char **value, int *val_len, int *tr);
  48         Rep();
  49         ~Rep();
  50         int m_verbose;
  51     };
  52 }
  53
  54 namespace mp = metaproxy_1;
  55
  56 mp::HTMLParser::Rep::Rep()
  57 {
  58     m_verbose = 0;
  59 }
  60
  61 mp::HTMLParser::Rep::~Rep()
  62 {
  63 }
  64
  65 mp::HTMLParser::HTMLParser() : m_p(new Rep)
  66 {
  67 }
  68
  69 mp::HTMLParser::~HTMLParser()
  70 {
  71 }
  72
  73 void mp::HTMLParser::set_verbose(int v)
  74 {
  75     m_p->m_verbose = v;
  76 }
  77
  78
  79 void mp::HTMLParser::parse(mp::HTMLParserEvent & event, const char *str) const
  80 {
  81     m_p->parse_str(event, str);
  82 }
  83
  84 static int skipSpace(const char *cp)
  85 {
  86     int i = 0;
  87     while (cp[i] && strchr(SPACECHR, cp[i]))
  88         i++;
  89     return i;
  90 }
  91
  92 static int skipName(const char *cp)
  93 {
  94     int i;
  95     for (i = 0; cp[i] && !strchr(SPACECHR "/>=", cp[i]); i++)
  96         ;
  97     return i;
  98 }
  99
 100 int mp::HTMLParser::Rep::skipAttribute(HTMLParserEvent &event,
 101                                        const char *cp, int *attr_len,
 102                                        const char **value, int *val_len,
 103                                        int *tr)
 104 {
 105     int i = skipName(cp);
 106     *attr_len = i;
 107     *value = NULL;
 108     if (!i)
 109         return skipSpace(cp);
 110     i += skipSpace(cp + i);
 111     if (cp[i] == '=')
 112     {
 113         int v0, v1;
 114         i++;
 115         i += skipSpace(cp + i);
 116         if (cp[i] == '\"' || cp[i] == '\'')
 117         {
 118             *tr = cp[i];
 119             v0 = ++i;
 120             while (cp[i] != *tr && cp[i])
 121                 i++;
 122             v1 = i;
 123             if (cp[i])
 124                 i++;
 125         }
 126         else
 127         {
 128             *tr = 0;
 129             v0 = i;
 130             while (cp[i] && !strchr(SPACECHR ">", cp[i]))
 131                 i++;
 132             v1 = i;
 133         }
 134         *value = cp + v0;
 135         *val_len = v1 - v0;
 136     }
 137     i += skipSpace(cp + i);
 138     return i;
 139 }
 140
 141 int mp::HTMLParser::Rep::tagAttrs(HTMLParserEvent &event,
 142                                   const char *name, int len,
 143                                   const char *cp)
 144 {
 145     int i = skipSpace(cp);
 146     while (cp[i] && cp[i] != '>' && cp[i] != '/')
 147     {
 148         const char *attr_name = cp + i;
 149         int attr_len;
 150         const char *value;
 151         int val_len;
 152         int tr;
 153         int nor = skipAttribute(event, cp+i, &attr_len, &value, &val_len, &tr);
 154         i += nor;
 155         if (nor)
 156         {
 157             char x[2];
 158             x[0] = tr;
 159             x[1] = 0;
 160             if (m_verbose)
 161                 printf ("------ attr %.*s=%.*s\n", attr_len, attr_name,
 162                         val_len, value);
 163             event.attribute(name, len, attr_name, attr_len, value, val_len, x);
 164         }
 165         else
 166         {
 167             i++;
 168         }
 169     }
 170     return i;
 171 }
 172
 173 int mp::HTMLParser::Rep::tagStart(HTMLParserEvent &event,
 174                                   int *tag_len,
 175                                   const char *cp, const char which)
 176 {
 177     int i;
 178     switch (which)
 179     {
 180     case '/':
 181         i = skipName(cp);
 182         *tag_len = i;
 183         if (m_verbose)
 184             printf("------ tag close %.*s\n", i, cp);
 185         event.closeTag(cp, i);
 186         break;
 187     case '!':
 188         for (i = 0; cp[i] && cp[i] != '>'; i++)
 189             ;
 190         *tag_len = i;
 191         event.openTagStart(cp, i);
 192         if (m_verbose)
 193             printf("------ dtd %.*s\n", i, cp);
 194         break;
 195     case '?':
 196         for (i = 0; cp[i] && cp[i] != '>'; i++)
 197             ;
 198         *tag_len = i;
 199         event.openTagStart(cp, i);
 200         if (m_verbose)
 201             printf("------ pi %.*s\n", i, cp);
 202         break;
 203     default:
 204         i = skipName(cp);
 205         *tag_len = i;
 206         if (m_verbose)
 207             printf("------ tag open %.*s\n", i, cp);
 208         event.openTagStart(cp, i);
 209
 210         i += tagAttrs(event, cp, i, cp + i);
 211
 212         break;
 213     }
 214     return i;
 215 }
 216
 217 int mp::HTMLParser::Rep::tagEnd(HTMLParserEvent &event,
 218                                 const char *tag, int tag_len, const char *cp)
 219 {
 220     int i = 0;
 221     int close_it = 0;
 222     for (; cp[i] && cp[i] != '/' && cp[i] != '>'; i++)
 223         ;
 224     if (i > 0)
 225         event.text(cp, i);
 226     if (cp[i] == '/')
 227     {
 228         close_it = 1;
 229         i++;
 230     }
 231     if (cp[i] == '>')
 232     {
 233         event.anyTagEnd(tag, tag_len, close_it);
 234         i++;
 235     }
 236     return i;
 237 }
 238
 239 void mp::HTMLParser::Rep::tagText(HTMLParserEvent &event,
 240                                   const char *text_start, const char *text_end)
 241 {
 242     if (text_end - text_start) //got text to flush
 243     {
 244         if (m_verbose)
 245             printf("------ text %.*s\n",
 246                    (int) (text_end - text_start), text_start);
 247         event.text(text_start, text_end-text_start);
 248     }
 249 }
 250
 251 void mp::HTMLParser::Rep::parse_str(HTMLParserEvent &event, const char *cp)
 252 {
 253     const char *text_start = cp;
 254     const char *text_end = cp;
 255     while (*cp)
 256     {
 257         if (cp[0] == '<' && cp[1])  //tag?
 258         {
 259             char which = cp[1];
 260             if (which == '/')
 261                 cp++;
 262             if (!strchr(SPACECHR, cp[1])) //valid tag starts
 263             {
 264                 int i = 0;
 265                 int tag_len;
 266
 267                 tagText(event, text_start, text_end); //flush any text
 268                 cp++;
 269                 i += tagStart(event, &tag_len, cp, which);
 270                 i += tagEnd(event, cp, tag_len, cp + i);
 271                 cp += i;
 272                 text_start = cp;
 273                 text_end = cp;
 274                 continue;
 275             }
 276         }
 277         //text
 278         cp++;
 279         text_end = cp;
 280     }
 281     tagText(event, text_start, text_end); //flush any text
 282 }
 283
 284 /*
 285  * Local variables:
 286  * c-basic-offset: 4
 287  * c-file-style: "Stroustrup"
 288  * indent-tabs-mode: nil
 289  * End:
 290  * vim: shiftwidth=4 tabstop=8 expandtab
 291  */
 292