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);
  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 {
 104     int i = skipName(cp);
 105     *attr_len = i;
 106     *value = NULL;
 107     if (!i)
 108         return skipSpace(cp);
 109     i += skipSpace(cp + i);
 110     if (cp[i] == '=')
 111     {
 112         int v0, v1;
 113         i++;
 114         i += skipSpace(cp + i);
 115         if (cp[i] == '\"' || cp[i] == '\'')
 116         {
 117             char tr = cp[i];
 118             v0 = ++i;
 119             while (cp[i] != tr && cp[i])
 120                 i++;
 121             v1 = i;
 122             if (cp[i])
 123                 i++;
 124         }
 125         else
 126         {
 127             v0 = i;
 128             while (cp[i] && !strchr(SPACECHR ">", cp[i]))
 129                 i++;
 130             v1 = i;
 131         }
 132         *value = cp + v0;
 133         *val_len = v1 - v0;
 134     }
 135     i += skipSpace(cp + i);
 136     return i;
 137 }
 138
 139 int mp::HTMLParser::Rep::tagAttrs(HTMLParserEvent &event,
 140                                   const char *name, int len,
 141                                   const char *cp)
 142 {
 143     int i = skipSpace(cp);
 144     while (cp[i] && cp[i] != '>' && cp[i] != '/')
 145     {
 146         const char *attr_name = cp + i;
 147         int attr_len;
 148         const char *value;
 149         int val_len;
 150         int nor = skipAttribute(event, cp+i, &attr_len, &value, &val_len);
 151         i += nor;
 152         if (nor)
 153         {
 154             if (m_verbose)
 155                 printf ("------ attr %.*s=%.*s\n", attr_len, attr_name,
 156                         val_len, value);
 157             event.attribute(name, len, attr_name, attr_len, value, val_len);
 158         }
 159         else
 160         {
 161             i++;
 162         }
 163     }
 164     return i;
 165 }
 166
 167 int mp::HTMLParser::Rep::tagStart(HTMLParserEvent &event,
 168                                   int *tag_len,
 169                                   const char *cp, const char which)
 170 {
 171     int i;
 172     switch (which)
 173     {
 174     case '/':
 175         i = skipName(cp);
 176         *tag_len = i;
 177         if (m_verbose)
 178             printf("------ tag close %.*s\n", i, cp);
 179         event.closeTag(cp, i);
 180         break;
 181     case '!':
 182         for (i = 0; cp[i] && cp[i] != '>'; i++)
 183             ;
 184         *tag_len = i;
 185         event.openTagStart(cp, i);
 186         if (m_verbose)
 187             printf("------ dtd %.*s\n", i, cp);
 188         break;
 189     case '?':
 190         for (i = 0; cp[i] && cp[i] != '>'; i++)
 191             ;
 192         *tag_len = i;
 193         event.openTagStart(cp, i);
 194         if (m_verbose)
 195             printf("------ pi %.*s\n", i, cp);
 196         break;
 197     default:
 198         i = skipName(cp);
 199         *tag_len = i;
 200         if (m_verbose)
 201             printf("------ tag open %.*s\n", i, cp);
 202         event.openTagStart(cp, i);
 203
 204         i += tagAttrs(event, cp, i, cp + i);
 205
 206         break;
 207     }
 208     return i;
 209 }
 210
 211 int mp::HTMLParser::Rep::tagEnd(HTMLParserEvent &event,
 212                                 const char *tag, int tag_len, const char *cp)
 213 {
 214     int i = 0;
 215     int close_it = 0;
 216     for (; cp[i] && cp[i] != '/' && cp[i] != '>'; i++)
 217         ;
 218     if (i > 0)
 219         event.text(cp, i);
 220     if (cp[i] == '/')
 221     {
 222         close_it = 1;
 223         i++;
 224     }
 225     if (cp[i] == '>')
 226     {
 227         event.anyTagEnd(tag, tag_len, close_it);
 228         i++;
 229     }
 230     return i;
 231 }
 232
 233 void mp::HTMLParser::Rep::tagText(HTMLParserEvent &event,
 234                                   const char *text_start, const char *text_end)
 235 {
 236     if (text_end - text_start) //got text to flush
 237     {
 238         if (m_verbose)
 239             printf("------ text %.*s\n",
 240                    (int) (text_end - text_start), text_start);
 241         event.text(text_start, text_end-text_start);
 242     }
 243 }
 244
 245 void mp::HTMLParser::Rep::parse_str(HTMLParserEvent &event, const char *cp)
 246 {
 247     const char *text_start = cp;
 248     const char *text_end = cp;
 249     while (*cp)
 250     {
 251         if (cp[0] == '<' && cp[1])  //tag?
 252         {
 253             char which = cp[1];
 254             if (which == '/')
 255                 cp++;
 256             if (!strchr(SPACECHR, cp[1])) //valid tag starts
 257             {
 258                 int i = 0;
 259                 int tag_len;
 260
 261                 tagText(event, text_start, text_end); //flush any text
 262                 cp++;
 263                 i += tagStart(event, &tag_len, cp, which);
 264                 i += tagEnd(event, cp, tag_len, cp + i);
 265                 cp += i;
 266                 text_start = cp;
 267                 text_end = cp;
 268                 continue;
 269             }
 270         }
 271         //text
 272         cp++;
 273         text_end = cp;
 274     }
 275     tagText(event, text_start, text_end); //flush any text
 276 }
 277
 278 /*
 279  * Local variables:
 280  * c-basic-offset: 4
 281  * c-file-style: "Stroustrup"
 282  * indent-tabs-mode: nil
 283  * End:
 284  * vim: shiftwidth=4 tabstop=8 expandtab
 285  */
 286