一种过滤标记语言中非法标签的方法

摘要

本发明公开了一种过滤标记语言中非法标签的方法，包括以下步骤：1.从标签构成的输入数据流中记录下：当前正要解析的标签的位置；上一个解析过的标签的位置；所有尚未解析到其结束标签的起始标签；且在解析的过程中，不断更新上述三个记录信息；2.从标签构成的输入数据流读入第一个非注释的、合法的标签，记为curTag，作为递归函数的输入参数，进行递归解析过程；3.在基于递归的标记语言解析过程中，利用步骤1所记录的信息，采用忽略或虚拟的容错机制，识别并过滤非法标签。本发明不会因为网页中存在错误标签而中断解析过程，从而提高了浏览器的鲁棒性，也增强了用户的浏览舒适度。

说明书

技术领域

本发明涉及一种过滤标记语言(如HTML，XHTML，WML等)中非法标签的方法，适用于基于嵌入式微浏览器的标记语言的容错解析。

背景技术

标记语言即标准通用标记语言SGML(Standard Generalized MarkupLanguage)，由1986年发布的信息管理方面的国际标准(ISO8879)定义。SGML的主要目的是定义一种使用标签来表示数据的标记语言的语法。

标签由包围在一个小于号(<)和一个大于号(>)之间的文本组成，例如<tag>。起始标签(start tag)表示一个特定区域的开始，例如<start>；结束标签(end tag)定义了一个区域的结束，除了在小于号之后紧跟着一个斜线(/)外，和起始标签基本一样，例如</end>。SGML还定义了标签的属性(attribute)，它们是定义在小于号和大于号之间的值，例如<img src＝＂picture.jpg＂>中，标签img包含名称是src的属性，其值为＂picture.jpg＂。

SGML语言由于其规范性、可移植性等特点，非常适用于Web数据描述。故在其基础上衍生出一些著名的固定标签集的网页语言，如WWW的页面规范HTML，WAP2.0的页面规范XHTML，WAP1.2的页面规范WML；以及可扩展的标记语言，如XML。

普通浏览器的标记语言的解析，特别是嵌入式微浏览器，一般缺少错误处理机制，当浏览非标准网页时，常因由一个标签的错误而停止整个解析过程，从而给用户造成浏览上的不便。

发明内容

本发明的目的在于提供一种过滤标记语言中非法标签的方法，以便浏览器正常显示输出，从而提高浏览器，特别是嵌入式微浏览器的鲁棒性。

为实现上述目的，本发明通过以下的技术措施来实现：一种过滤标记语言中非法标签的方法，包括以下步骤：

步骤1，从标签构成的输入数据流中记录下：

(1)当前正要解析的标签的位置，

(2)上一个解析过的标签的位置，

(3)所有尚未解析到其结束标签的起始标签；

且在解析的过程中，不断更新上述三个记录信息；

步骤2，从标签构成的输入数据流读入第一个非注释的、合法的标签，记为curTag，作为递归函数的输入参数，进行递归解析过程；

步骤3，在基于递归(或其等价非递归)的标记语言解析过程中，利用步骤1所记录的信息，采用忽略或虚拟的容错机制，识别并过滤非法标签。

本发明的递归解析过程如下：

a)步骤2中读入的第一个非注释的、合法的标签curTag为递归函数的输入参数，

b)存储curTag的名称和属性于特定的数据结构，

c)从输入数据流读入下一个标签，记为nextTag，若输入数据流已经结束，则nextTag为空，

d)若读入的下一个标签nextTag是开始标签，则将nextTag的值赋给curTag，回到(a)开始新一次递归，

e)若读入的下一个标签nextTag是curTag的结束标签，则本次递归结束，

f)若读入的下一个标签nextTag是标记语言中未定义的标签，则认为解析出错并调用容错机制一，

g)若读入的下一个标签nextTag是其它结束标签，或nextTag为空，认为解析出错并调用容错机制二；

h)最终的解析结果存储在步骤(b)每次访问的数据结构中。

本发明步骤(f)所述容错机制一为：忽略标记语言中未定义的标签，跳回步骤(c)，从输入数据流读入下一个标签，记为nextTag。

本发明步骤(g)所述容错机制二为：

(1)若nextTag之前有步骤1记录的开始标签的结束标签，则回退数据流，把步骤1记录的上一个解析过的标签的位置的值赋给步骤1记录的当前正要解析的标签的位置，使得下一次读到的标签值等于当前的nextTag值，本次递归结束；

(2)若nextTag是之前无开始标签的结束标签，则忽略它，并跳回步骤(c)，从输入数据流读入下一个标签，记为nextTag；

(3)若nextTag为空，则本次递归结束。

本发明递归解析(或其等价非递归)不会因为网页中存在错误标签而中断解析过程，这提高了浏览器从错误中恢复的能力，避免了当浏览非标准网页时，因一个标签的错误而停止整个网页解析，从而提高了浏览器的鲁棒性，也增强了用户的浏览舒适度。

附图说明

图1是本发明的流程框图。

具体实施方式

为了使本发明的目的、技术方案及其优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

一种过滤标记语言中非法标签的方法，具体包括以下步骤：

1、从标签构成的输入数据流中记录下：当前正要解析的标签的位置；上一个解析过的标签的位置；所有尚未解析到其结束标签的起始标签；且在解析的过程中，不断更新上述三个记录信息；

2、从标签构成的输入数据流中读入的第一个非注释的、合法的标签curTag为递归函数的输入参数，

3、存储curTag的名称和属性于特定的数据结构，

4、从输入数据流读入下一个标签，记为nextTag，若输入数据流已经结束，则nextTag为空，

5、若读入的下一个标签nextTag是开始标签，则将nextTag的值赋给curTag，回到步骤2开始新一次递归，

6、若读入的下一个标签nextTag是curTag的结束标签，则本次递归结束，

7、若读入的下一个标签nextTag是标记语言中未定义的标签，则认为解析出错并调用容错机制一，忽略标记语言中未定义的标签，跳回步骤4；

8、若读入的下一个标签nextTag之前有步骤1记录的开始标签的结束标签，则回退数据流，把步骤1记录的上一个解析过的标签的位置的值赋给步骤1记录的当前正要解析的标签的位置，使得下一次读到的标签值等于当前的nextTag值，本次递归结束；

9、若读入的下一个标签nextTag之前无开始标签的结束标签，则忽略它，并跳回步骤4；

10、若读入的下一个标签nextTag为空，则本次递归结束。

上述最终的解析结果存储在步骤3每次访问的数据结构中。

如输入标签流为：

<wml>

      <p>

      <abcdefg>

      </p>

</wml>

该wml页面存在语法错误：标签<abcdefg>为wml语言中未定义的标签。

使用上述的10个步骤对该页面进行解析。在进行到步骤7时，nextTag为<abcdefg>，是标记语言中未定义的标签，则跳转到步骤4，读入下一个标签</p>。故该错误标签被成功地过滤。

实施例2

如输入标签流为：

<wml>

     <p>

</wml>

该wml页面存在语法错误：标签<p>缺少结束标签</p>。

使用实施例1中的10个步骤对该页面进行解析。在进行到步骤8时，发现虽然</wml>不是<p>的结束标签，但它是之前出现过的开始标签<wml>的结束标签，故回退数据流，使得下一次读到的nextTag仍为</wml>，且本次递归结束。从而在<p>和</wml>之间虚拟地插入了一个</p>，使得解析可以继续成功地进行。

实施例3

如输入标签流为：

<wml>

     <p>

     </a>

     </p>

</wml>

该wml页面存在语法错误：标签</a>没有相配对的开始标签。

使用实施例1中的10个步骤对该页面进行解析。在进行到步骤9时，发现</a>不是<p>的结束标签，且之前没有开始标签<a>出现，故忽略该标签，并跳转到步骤4，继续读入下一个标签</p>，从而使得解析可以继续成功地进行。

实施例4

如输入标签流为：

<wml>

     <p>

     </p>

该wml页面存在语法错误：页面最后缺少结束标签</wml>。

使用实施例1中的10个步骤对该页面进行解析。在进行到步骤10时，发现nextTag为空(因为输入数据流已经结束)，则结束本次递归。从而在最后虚拟地插入了一个</wml>，使得解析可以继续成功地进行。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的包保护范围之内。