不使用外部库的Python HTML解析器开发方案咨询

你的现有方案可行性分析 #

1. 元组列表存储 #

可行，但仅适用于极简单的扁平HTML结构（比如只有单层无嵌套的标签）。元组的不可变性会导致更新/删除操作必须重新生成整个列表，完全无法表示HTML的嵌套层级关系，CRUD操作会非常繁琐，复杂场景下基本不可用。

2. 字符串拆分标签 #

可行，但需要处理大量边界情况，维护成本极高。比如要区分注释、自闭合标签、带引号/不带引号的属性、嵌套标签、转义字符等，稍有遗漏就会解析出错；而且拆分后的数据无结构化，CRUD需要手动定位字符串位置，极易引入bug，仅适合快速验证原型。

更优实现方案：自定义DOM类构建层级树 #

这是最适配HTML结构和CRUD需求的方案，核心是用自定义类封装HTML节点的所有属性，通过树结构表示嵌套关系，操作灵活且易维护。

核心DOM节点类示例 #

class DOMNode:
    def __init__(self, tag_name, attributes=None, text_content=''):
        self.tag_name = tag_name  # 标签名，如'div'、'p'
        self.attributes = attributes or {}  # 属性字典，如{'id': 'header', 'class': 'bold'}
        self.text_content = text_content  # 节点内的纯文本内容
        self.children = []  # 子节点列表，存储DOMNode实例

    def add_child(self, node):
        self.children.append(node)
    
    def remove_child(self, node):
        if node in self.children:
            self.children.remove(node)

解析器实现步骤 #

1. 文件读取与预处理

• 读取HTML文件内容为字符串，先过滤掉注释（<!-- 注释内容 -->），可以用字符串替换或正则匹配移除。
• 可选：合并连续的空白字符（比如多个换行、空格），但要注意保留文本节点内的必要空白。

2. 词法分析（分词）

遍历字符串，拆分出以下类型的token：

• 开始标签：如<div class="box">，拆分出标签名div和属性{'class': 'box'}
• 结束标签：如</div>，拆分出标签名div
• 自闭合标签：如<img src="pic.jpg"/>，拆分出标签名img和属性{'src': 'pic.jpg'}
• 文本节点：非标签范围内的纯文本内容

3. 语法分析（构建DOM树）

用栈结构处理嵌套关系：

• 遇到开始标签：创建DOMNode实例，压入栈中，作为当前父节点
• 遇到文本节点：将文本内容添加到栈顶节点的text_content（或作为独立文本节点，视需求而定）
• 遇到自闭合标签：创建DOMNode实例，添加到栈顶节点的子节点列表
• 遇到结束标签：弹出栈顶节点，将其添加到新的栈顶节点的子节点列表（栈为空时作为根节点）

CRUD操作实现要点 #

• 创建（Create）：新建DOMNode实例，调用目标父节点的add_child方法；或在子节点列表的指定位置插入。
• 读取（Read）：写递归遍历方法，根据标签名、属性值或层级路径查找节点；比如：

  def find_nodes_by_tag(root, tag_name):
      result = []
      if root.tag_name == tag_name:
          result.append(root)
      for child in root.children:
          result.extend(find_nodes_by_tag(child, tag_name))
      return result
  

• 更新（Update）：直接修改节点的tag_name、attributes或text_content；或替换子节点。
• 删除（Delete）：找到目标节点的父节点，调用remove_child方法；或清空节点的子节点列表。

关键边界处理 #

• 自闭合标签：解析时判断标签末尾是否带有/，无需匹配结束标签
• 属性解析：支持带双引号、单引号或无引号的属性值，比如class="box"、class='box'、class=box
• 转义字符：维护一个转义映射表，将<转成<、>转成>等

内容的提问来源于stack exchange，提问作者Todor Popov