简单谈谈dom解析xml和html

前言

文件对象模型（Document Object Model，简称DOM），是W3C组织推荐的处理可扩展标志语言的标准编程接口。html，xml都是基于这个模型构造的。这也是一个W3C推出的标准。java，python，javascript等语言都提供了一套基于dom的编程接口。

java使用dom解析xml

一段xml文档, note.xml：

<?xml version="1.0" encoding="UTF-8"?>
<note>
    <to id="1">George</to>
    <from>John</from>
    <heading>Reminder</heading>
    <body>Don't forget the meeting!</body>
</note>

我们先使用w3c dom解析该xml：

@Test
public void test() {
    NodeList nodeList = doc.getChildNodes().item(0).getChildNodes();
    System.out.println("xml size: " + nodeList.getLength());
    for(int i = 0; i < nodeList.getLength(); i ++) {
        Node node = nodeList.item(i);
        System.out.println(node.getNodeType());
        System.out.println(node.getNodeName());
    }
}

输出：

xml size: 9
3
#text
1
to
3
#text
1
from
3
#text
1
heading
3
#text
1
body
3
#text

我们看到代码输出note节点的字节点的时候，有9个节点，但是xml文档中note节点实际上只有to、from、heading、body4个节点。那为什么是9个呢，原因是这样的。
选取几个w3c规范中关于节点类型的描述：

节点类型	描述	nodeName返回值	nodeValue返回值	子元素	类型常量值
Document	表示整个文档（DOM 树的根节点）	#document	null	Element(max. one)，Comment，DocumentType	9
Element	表示 element（元素）元素	element name	null	Text，Comment，CDATASection	1
Attr	表示属性	属性名称	属性值	Text	2
Text	表示元素或属性中的文本内容。	#text	节点内容	None	3
CDATASection	表示文档中的 CDATA 区段（文本不会被解析器解析）	#cdata-section	节点内容	None	4
Comment	表示注释	#comment	注释文本	None	8

更多细节请查看w3c DOM节点类型

下面解释一下文档节点的字节点的处理过程：

其中红色部分为Text节点，紫色部分是Element节点(只画了部分)。</body>后面的也是一个Element节点，所有4个Element节点，5个Text节点。

所以输出的内容中3 #text表示该节点是个Text节点，1 节点name是个Element节点，这与表格中表述的是一样的。

测试代码：

@Test
public void test1() {
    NodeList nodeList = doc.getChildNodes().item(0).getChildNodes();
    System.out.println("xml size: " + nodeList.getLength());
    for(int i = 0; i < nodeList.getLength(); i ++) {
        Node node = nodeList.item(i);
        if(node.getNodeType() == Node.TEXT_NODE) {
            System.out.println(node.getNodeValue().replace("\n","hr").replace(' ', '-'));
        }
    }
}

很明显，我们把空格和回车键替换打印后发现我们的结论是正确的。

测试代码：

@Test
public void test2() {
    System.out.println("doc type: " + doc.getNodeType());
    NodeList nodeList = doc.getChildNodes().item(0).getChildNodes();
    Node secondNode = nodeList.item(1);
    System.out.println("element [to] node type: " + secondNode.getNodeType());
    System.out.println("element [to] node name: " + secondNode.getNodeName());
    System.out.println("element [to] node value: " + secondNode.getNodeValue());
    System.out.println("element [to] children len: " + secondNode.getChildNodes().getLength());
    System.out.println("element [to] children node type: " + secondNode.getChildNodes().item(0).getNodeType());
    System.out.println("element [to] children node value: " + secondNode.getChildNodes().item(0).getNodeValue());
    System.out.println("element [to] children node name: " + secondNode.getChildNodes().item(0).getNodeName());
    Node attNode = secondNode.getAttributes().item(0);
    System.out.println("attr type: " + attNode.getNodeType());
}

输出结果跟表格中是一样的。

大家有兴趣的话其他类型的节点比如CDATA节点大家可以自行测试～

javascript使用dom解析html

html代码：

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <title>JS Bin</title>
</head>
<body>
  <div>
    <p>gogogo</p>
  </div>
</body>
</html>

js代码：

console.log(document.nodeType);
var div = document.getElementsByTagName("div")[0]; //9
console.log(div.nodeType); //1
for(var i = 0;i < div.childNodes.length; i ++) {
  console.log(div.childNodes[i].nodeType);
}

分别输出9，1，3，1，3
跟我们在表格中对应～

总结

本次博客主要讲解了dom解析xml和html。以前使用java解析xml的时候总是使用一些第三方库，比如jdom。但是dom却是w3c的规范，不止java，包括javascript，python这些主流语言也都主持，有了规范，语言只是实现了这些规范而已。