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         Rep();
  46         ~Rep();
  47         int m_verbose;
  48     };
  49 }
  50
  51 namespace mp = metaproxy_1;
  52
  53 mp::HTMLParser::Rep::Rep()
  54 {
  55     m_verbose = 0;
  56 }
  57
  58 mp::HTMLParser::Rep::~Rep()
  59 {
  60 }
  61
  62 mp::HTMLParser::HTMLParser() : m_p(new Rep)
  63 {
  64 }
  65
  66 mp::HTMLParser::~HTMLParser()
  67 {
  68 }
  69
  70 void mp::HTMLParser::parse(mp::HTMLParserEvent & event, const char *str) const
  71 {
  72     m_p->parse_str(event, str);
  73 }
  74
  75 static int skipSpace(const char *cp)
  76 {
  77     int i = 0;
  78     while (cp[i] && strchr(SPACECHR, cp[i]))
  79         i++;
  80     return i;
  81 }
  82
  83 static int skipName(const char *cp)
  84 {
  85     int i;
  86     for (i = 0; cp[i] && !strchr(SPACECHR "/>=", cp[i]); i++)
  87         ;
  88     return i;
  89 }
  90
  91 static int skipAttribute(const char *cp, int *attr_len,
  92                          const char **value, int *val_len)
  93 {
  94     int i = skipName(cp);
  95     *attr_len = i;
  96     *value = NULL;
  97     if (!i)
  98         return skipSpace(cp);
  99     i += skipSpace(cp + i);
 100     if (cp[i] == '=')
 101     {
 102         int v0, v1;
 103         i++;
 104         i += skipSpace(cp + i);
 105         if (cp[i] == '\"' || cp[i] == '\'')
 106         {
 107             char tr = cp[i];
 108             v0 = ++i;
 109             while (cp[i] != tr && cp[i])
 110                 i++;
 111             v1 = i;
 112             if (cp[i])
 113                 i++;
 114         }
 115         else
 116         {
 117             v0 = i;
 118             while (cp[i] && !strchr(SPACECHR ">", cp[i]))
 119                 i++;
 120             v1 = i;
 121         }
 122         *value = cp + v0;
 123         *val_len = v1 - v0;
 124     }
 125     i += skipSpace(cp + i);
 126     return i;
 127 }
 128
 129 int mp::HTMLParser::Rep::tagAttrs(HTMLParserEvent &event,
 130                                   const char *name, int len,
 131                                   const char *cp)
 132 {
 133     int i = skipSpace(cp);
 134     while (cp[i] && cp[i] != '>' && cp[i] != '/')
 135     {
 136         const char *attr_name = cp + i;
 137         int attr_len;
 138         const char *value;
 139         int val_len;
 140         int nor = skipAttribute(cp+i, &attr_len, &value, &val_len);
 141         i += nor;
 142         if (nor)
 143         {
 144             if (m_verbose)
 145                 printf ("------ attr %.*s=%.*s\n", attr_len, attr_name,
 146                         val_len, value);
 147             event.attribute(name, len, attr_name, attr_len, value, val_len);
 148         }
 149         else
 150         {
 151             i++;
 152         }
 153     }
 154     return i;
 155 }
 156
 157 int mp::HTMLParser::Rep::tagStart(HTMLParserEvent &event,
 158                                   int *tag_len,
 159                                   const char *cp, const char which)
 160 {
 161     int i;
 162     switch (which)
 163     {
 164     case '/':
 165         i = skipName(cp);
 166         *tag_len = i;
 167         if (m_verbose)
 168             printf("------ tag close %.*s\n", i, cp);
 169         event.closeTag(cp, i);
 170         break;
 171     case '!':
 172         for (i = 0; cp[i] && cp[i] != '>'; i++)
 173             ;
 174         *tag_len = i;
 175         event.openTagStart(cp, i);
 176         if (m_verbose)
 177             printf("------ dtd %.*s\n", i, cp);
 178         break;
 179     case '?':
 180         for (i = 0; cp[i] && cp[i] != '>'; i++)
 181             ;
 182         *tag_len = i;
 183         event.openTagStart(cp, i);
 184         if (m_verbose)
 185             printf("------ pi %.*s\n", i, cp);
 186         break;
 187     default:
 188         i = skipName(cp);
 189         *tag_len = i;
 190         if (m_verbose)
 191             printf("------ tag open %.*s\n", i, cp);
 192         event.openTagStart(cp, i);
 193
 194         i += tagAttrs(event, cp, i, cp + i);
 195
 196         break;
 197     }
 198     return i;
 199 }
 200
 201 int mp::HTMLParser::Rep::tagEnd(HTMLParserEvent &event,
 202                                 const char *tag, int tag_len, const char *cp)
 203 {
 204     int i = 0;
 205     int close_it = 0;
 206     while (cp[i] && cp[i] != '>')
 207     {
 208         if (cp[i] == '/')
 209             close_it = 1;
 210         i++;
 211     }
 212     if (cp[i] == '>')
 213     {
 214         event.anyTagEnd(tag, tag_len, close_it);
 215         i++;
 216     }
 217     return i;
 218 }
 219
 220 void mp::HTMLParser::Rep::tagText(HTMLParserEvent &event,
 221                                   const char *text_start, const char *text_end)
 222 {
 223     if (text_end - text_start) //got text to flush
 224     {
 225         if (m_verbose)
 226             printf("------ text %.*s\n",
 227                    (int) (text_end - text_start), text_start);
 228         event.text(text_start, text_end-text_start);
 229     }
 230 }
 231
 232 void mp::HTMLParser::Rep::parse_str(HTMLParserEvent &event, const char *cp)
 233 {
 234     const char *text_start = cp;
 235     const char *text_end = cp;
 236     while (*cp)
 237     {
 238         if (cp[0] == '<' && cp[1])  //tag?
 239         {
 240             char which = cp[1];
 241             if (which == '/')
 242                 cp++;
 243             if (!strchr(SPACECHR, cp[1])) //valid tag starts
 244             {
 245                 int i = 0;
 246                 int tag_len;
 247
 248                 tagText(event, text_start, text_end); //flush any text
 249                 cp++;
 250                 i += tagStart(event, &tag_len, cp, which);
 251                 i += tagEnd(event, cp, tag_len, cp + i);
 252                 cp += i;
 253                 text_start = cp;
 254                 text_end = cp;
 255                 continue;
 256             }
 257         }
 258         //text
 259         cp++;
 260         text_end = cp;
 261     }
 262     tagText(event, text_start, text_end); //flush any text
 263 }
 264
 265 /*
 266  * Local variables:
 267  * c-basic-offset: 4
 268  * c-file-style: "Stroustrup"
 269  * indent-tabs-mode: nil
 270  * End:
 271  * vim: shiftwidth=4 tabstop=8 expandtab
 272  */
 273