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 #include <yaz/matchstr.h>
  28
  29 #define SPACECHR " \t\r\n\f"
  30
  31 // http://www.whatwg.org/specs/web-apps/current-work/multipage/parsing.html
  32
  33 namespace metaproxy_1 {
  34     class HTMLParser::Rep {
  35         friend class HTMLParser;
  36     public:
  37         void parse_str(HTMLParserEvent &event, const char *cp);
  38         void tagText(HTMLParserEvent &event,
  39                      const char *text_start, const char *text_end);
  40         int tagEnd(HTMLParserEvent &event,
  41                    const char *tag, int tag_len, const char *cp);
  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         bool nest;
  52     };
  53 }
  54
  55 namespace mp = metaproxy_1;
  56
  57 mp::HTMLParser::Rep::Rep()
  58 {
  59     m_verbose = 0;
  60     nest = true;
  61 }
  62
  63 mp::HTMLParser::Rep::~Rep()
  64 {
  65 }
  66
  67 mp::HTMLParser::HTMLParser() : m_p(new Rep)
  68 {
  69 }
  70
  71 mp::HTMLParser::~HTMLParser()
  72 {
  73 }
  74
  75 void mp::HTMLParser::set_verbose(int v)
  76 {
  77     m_p->m_verbose = v;
  78 }
  79
  80
  81 void mp::HTMLParser::parse(mp::HTMLParserEvent & event, const char *str) const
  82 {
  83     m_p->parse_str(event, str);
  84 }
  85
  86 static int isAlpha(int c)
  87 {
  88     return (c >= 'a' && c <= 'z') || (c >= 'A' && c <= 'Z');
  89 }
  90
  91 static int skipSpace(const char *cp)
  92 {
  93     int i = 0;
  94     while (cp[i] && strchr(SPACECHR, cp[i]))
  95         i++;
  96     return i;
  97 }
  98
  99 static int skipName(const char *cp)
 100 {
 101     int i;
 102     for (i = 0; cp[i] && !strchr(SPACECHR "/><=", cp[i]); i++)
 103         ;
 104     return i;
 105 }
 106
 107 int mp::HTMLParser::Rep::skipAttribute(HTMLParserEvent &event,
 108                                        const char *cp, int *attr_len,
 109                                        const char **value, int *val_len,
 110                                        int *tr)
 111 {
 112     int v0, v1;
 113     int i = skipName(cp);
 114     *attr_len = i;
 115     *value = NULL;
 116     if (!i)
 117         return skipSpace(cp);
 118     i += skipSpace(cp + i);
 119     if (cp[i] == '=')
 120     {
 121         i++;
 122         i += skipSpace(cp + i);
 123         if (cp[i] == '\"' || cp[i] == '\'')
 124         {
 125             *tr = cp[i];
 126             v0 = ++i;
 127             while (cp[i] != *tr && cp[i])
 128                 i++;
 129             v1 = i;
 130             if (cp[i])
 131                 i++;
 132         }
 133         else
 134         {
 135             *tr = 0;
 136             v0 = i;
 137             while (cp[i] && !strchr(SPACECHR ">", cp[i]))
 138                 i++;
 139             v1 = i;
 140         }
 141         *value = cp + v0;
 142         *val_len = v1 - v0;
 143         i += skipSpace(cp + i);
 144     }
 145     return i;
 146 }
 147
 148 int mp::HTMLParser::Rep::tagAttrs(HTMLParserEvent &event,
 149                                   const char *name, int len,
 150                                   const char *cp)
 151 {
 152     int i = skipSpace(cp);
 153     while (cp[i] && !strchr("/><", cp[i]))
 154     {
 155         const char *attr_name = cp + i;
 156         int attr_len;
 157         const char *value;
 158         int val_len;
 159         int tr;
 160         char x[2];
 161         int nor = skipAttribute(event, cp+i, &attr_len, &value, &val_len, &tr);
 162         if (!nor)
 163             break;
 164         i += nor;
 165
 166         x[0] = tr;
 167         x[1] = 0;
 168         if (m_verbose)
 169             printf ("------ attr %.*s=%.*s\n", attr_len, attr_name,
 170                     val_len, value);
 171         event.attribute(name, len, attr_name, attr_len, value, val_len, x);
 172     }
 173     return i;
 174 }
 175
 176 int mp::HTMLParser::Rep::tagEnd(HTMLParserEvent &event,
 177                                 const char *tag, int tag_len, const char *cp)
 178 {
 179     int i = 0;
 180     int close_it = 0;
 181     for (; cp[i] && !strchr("/><", cp[i]); i++)
 182         ;
 183     if (i > 0)
 184     {
 185         if (m_verbose)
 186             printf("------ text %.*s\n", i, cp);
 187         event.text(cp, i);
 188     }
 189     if (cp[i] == '/')
 190     {
 191         close_it = 1;
 192         i++;
 193     }
 194     if (cp[i] == '>')
 195     {
 196         if (m_verbose)
 197             printf("------ any tag %s %.*s\n",
 198                    close_it ? " close" : "end", tag_len, tag);
 199         event.anyTagEnd(tag, tag_len, close_it);
 200         i++;
 201     }
 202     return i;
 203 }
 204
 205 void mp::HTMLParser::Rep::tagText(HTMLParserEvent &event,
 206                                   const char *text_start, const char *text_end)
 207 {
 208     if (text_end - text_start) //got text to flush
 209     {
 210         if (m_verbose)
 211             printf("------ text %.*s\n",
 212                    (int) (text_end - text_start), text_start);
 213         event.text(text_start, text_end-text_start);
 214     }
 215 }
 216
 217 void mp::HTMLParser::Rep::parse_str(HTMLParserEvent &event, const char *cp)
 218 {
 219     const char *text_start = cp;
 220     while (*cp)
 221     {
 222         if (*cp++ != '<')
 223             continue;
 224
 225         if (nest && *cp == '!')
 226         {
 227             int i;
 228             tagText(event, text_start, cp - 1);
 229             if (cp[1] == '-' && cp[2] == '-')
 230             {
 231                 for (i = 3; cp[i]; i++)
 232                     if (cp[i] == '-' && cp[i+1] == '-' && cp[i+2] == '>')
 233                     {
 234                         i+= 2;
 235                         event.openTagStart(cp, i);
 236                         break;
 237                     }
 238             }
 239             else
 240             {
 241                 for (i = 1; cp[i] && cp[i] != '>'; i++)
 242                     ;
 243                 event.openTagStart(cp, i);
 244             }
 245             if (m_verbose)
 246                 printf("------ dtd %.*s\n", i, cp);
 247             i += tagEnd(event, cp, i, cp + i);
 248             cp += i;
 249             text_start = cp;
 250         }
 251         else if (nest && *cp == '?')
 252         {
 253             int i;
 254             tagText(event, text_start, cp - 1);
 255             for (i = 1; cp[i] && cp[i] != '>'; i++)
 256                 ;
 257             event.openTagStart(cp, i);
 258             if (m_verbose)
 259                 printf("------ pi %.*s\n", i, cp);
 260             i += tagEnd(event, cp, i, cp + i);
 261             cp += i;
 262             text_start = cp;
 263         }
 264         else if (*cp == '/' && isAlpha(cp[1]))
 265         {
 266             int i;
 267
 268             i = skipName(++cp);
 269
 270             if (!nest)
 271             {
 272                 if (i == 6 && !yaz_strncasecmp(cp, "script", i))
 273                 {
 274                     int ws = skipSpace(cp + 6);
 275                     if (cp[ws + 6] == '>')
 276                         nest = true; /* really terminated */
 277                 }
 278                 if (!nest)
 279                     continue;
 280             }
 281             tagText(event, text_start, cp - 2);
 282             event.closeTag(cp, i);
 283             if (m_verbose)
 284                 printf("------ tag close %.*s\n", i, cp);
 285             i += tagEnd(event, cp, i, cp + i);
 286             cp += i;
 287             text_start = cp;
 288         }
 289         else if (nest && isAlpha(*cp))
 290         {
 291             int i, j;
 292             tagText(event, text_start, cp - 1);
 293             i = skipName(cp);
 294             event.openTagStart(cp, i);
 295             if (m_verbose)
 296                 printf("------ tag open %.*s\n", i, cp);
 297             j = tagAttrs(event, cp, i, cp + i);
 298             j += tagEnd(event, cp, i, cp + i + j);
 299
 300             if (i == 6 && !yaz_strncasecmp(cp, "script", i))
 301                 nest = false;
 302
 303             cp += i + j;
 304             text_start = cp;
 305         }
 306     }
 307     tagText(event, text_start, cp);
 308 }
 309
 310 mp::HTMLParserEvent::~HTMLParserEvent()
 311 {
 312 }
 313
 314 /*
 315  * Local variables:
 316  * c-basic-offset: 4
 317  * c-file-style: "Stroustrup"
 318  * indent-tabs-mode: nil
 319  * End:
 320  * vim: shiftwidth=4 tabstop=8 expandtab
 321  */
 322