javacc中的Html解析

Question

我对javacc很陌生，并被要求使用javacc代码扩展一个基本的html解析。我的问题是-- <script>包含许多字符--比如>和<，它们都有其他定义。例如- if(indexOf("?")) > 3。我读过关于词汇状态的文章，但不太理解。

有人能让我知道如何才能对一个字符有多个定义吗？用一个例子来解释会对我很有帮助。

解析上面提到的例子真的需要吗？你怎么会忽视这些细节？

另外，对于为搜索引擎进行基本解析的人来说，某些标记(如<style> )是必需的吗？如果没有，那么如何完全忽略javacc中的标记？

Answer 1

假设只允许在标记和结束标记中使用"<“和">”。除了在<script>和</script>标记之间，它们应该被允许。以下几点应该可以做到

// In default state, "<script>" changes to IN_SCRIPT state
TOKEN : { <SCRIPT_TAG : "<script>" > : IN_SCRIPT }
// In both states "</script>" is recognized and goes to DEFAULT state. 
<*> TOKEN : { <END_SCRIPT_TAG : "<script>" > : DEFAULT }
// Other tags and end tags are only recognized in the default state.
TOKEN : { <OTHER_TAG : "<" (["a"-"z"])* ["/"] ">" > }
TOKEN : { <END_OTHER_TAG : "</" (["a"-"z"])* ">" > }
// Characters not in scripts, tags, or end tags
TOKEN : { <CHAR : ~["<",">"] }
// Characters in scripts
<IN_SCRIPT> TOKEN : { <CHAR_IN_SCRIPT : ~[] }
// Characters not allowed
TOKEN : { <UNEXPECTED_CHARACTER : ~[] }

如果希望抛出TokenManagerError而不是ParseException，则省略最后一条规则，其抛出值小于或大于出现在不应该出现的位置的符号。

这个答案仅仅是为了说明词汇状态的使用。它并不是为了反映HTML中关于小于和大于符号的规则，我不知道。