CMarkup定位解释——深入Markup分析器

CMarkup定位解释

 

三年前，我写过一篇关于Cmarkup定位的解释，现在我用这篇文章代替那篇。

int nStart;

int nLength;

int nTagLengths;

int nFlags;

int iElemParent;

int iElemChild;

int iElemNext;

int iElemPrev;

前三个整数告诉我们了在文档中，元素的起始位置，它的长度以及开始和结束标签的长度，因为nStart是一个32bit的整数，所以文档 的最大尺寸可以有2G，并且同样，最大元素的长度是一样的。整数nTagLengths被分成两部分，22bit(4M)用于开始标签（开始标签可以包含属性），另外10bit（1K）用于结束标签。在下列元素中，开始标签的长度是14，结束标签是8.，整个元素的长度是29．

<topic id="5">triumph</topic>

整数nFlags的低16位实际存储的是元素的深度或层次，高16位是特殊标识。根元素是0层，根元素的孩子是1层等等 ，特殊标识告诉我们元素是第一个兄弟或最后一个兄弟、或空元素、以及如果这个元素已经被删除了（这样的结构能够被恢复）

四个iElem整形变量链接到周围的相关元素，iElemParent指向父元素，iELemChild指向第一个子元素，iElemNext指向下一个元素，当这个元素是最后一个兄弟时，iElemNext是0，当元素不是第一个兄弟元素时，iElemPrev指向其前一个兄弟元素，如果元素是第一个兄弟元素，iElemPrev指向最后一个兄弟元素。因此，顺着iElemChild的链接以及从那里沿着iElemPrev的链接，可以得到父元素的最后一个子元素。

    如果你熟悉像这样用树结点链接在一起的工作方式，你将明白这个地图的效果。这个设计对于树层次的回来操作是有效的，再通过兄弟元素形成一个环，但是，对于随机访问第n个子元素将需要先循环这个元素之前的所有兄弟元素。一旦被建立起来，在文档中随意的导航将不再需要费时的分析。

    当一个文档被分析时，就产生了这些信息，因此当文档被修改时，这些信息也修改。例如，增加一个属性，开始标签的长度改变了，元素的长度改变了，以及所有后面的和包含的元素都要被调整。如果删除一个元素，领衔值改变了，还有其前一个元素的iElemNext也被修改以绕过删除的元素等等。

 

深入Markup分析器

 

    虽然Markup经常被叫做是“分析器”，但是分析保是Cmarkup功能中的一部分，另外Cmarkup还支持文档的导航、创建和修改，还有其它如文件I/O、字符集及64位编码转换等功能。然而分析器是Cmarkup一个最重要的功能，因为这样可以导入和访问现有XML文件。

    分析器在SetDoc和Load方法中分析文档，并建立定位数组，这是一个非验证的分析器，这表明它不会依照着DTD和Schema来检查文档的正确性。它只会检查格式的好坏，如果结束标签不匹配开始标签它会产生一个错误，如果没有根元素存在会产生一个错误，或者其它一些不正确的结点样式它也会产生一个错误。

    在7.0版 本中，分析器使用了新的分析方法，不再使用递归实现。在以前的版本中，使用递归方法实现时，每次在另一个元素中发现一个元素就调用自己，当它到达父结点的 结束标签时返回。因为每次嵌套调用都要增加局部变量和参数到堆栈中，但是在堆栈的尺寸是有限的任何平台上，例如掌上操作系统，这时，递归就成为一个问题 了。虽然大多数的文件不会大于10个元素的深度（嵌套），也许在栈中只需要500bytes，然而，这仍是一个潜在的危险。新的分析器使用了一个叫NodeStack的小数组，它就像一个栈，但是它在堆里的。

它保持着一直到当前深度的所有被嵌套的元素的标签名。

    分析函数x_ParseElem实际上相当简单，它通过调用x_ParseNode查找和检查下一个结点来循环所有的结点，直到文档的结束。关于结点类型的讨论可以看在Nodes的文章。元素的结束标签被表示成0的结点类型，因为它是元素结点的结束。

    NodeStack 用来记录被嵌套的元素，当一个起始标签被遇到时，它将呆在NodeStack中，直到相对应的结束标签被发现。如果一个元素A包含其它一些元素，那么这些 元素将会放到NodeStack中，并且置于元素A的上面，在恢复父元素（元素A）之前，需要匹配它们的结束标签然后从NodeStack中删除。

    x_ParseNode函数是根据在文档中给定结点起始字符的偏移量来识别一个结点。出于对速度和简单考虑，结点被分析只是从第一个字符前进做一个简单的循环，在结点的类型被确定前，保持一个比特标志状态。

    如果第一字符是小于号“<”,它就是一个标签“<..>”(对于文本和空格)，如果是标签，检查第二个字符，它可能是元素标签名的起始、或者一个斜线（结束标签）、或者是一个感叹号（是注释、CDATA段或DOCTYPE）或是问号（PI），如果是感叹号，你必须要得到下一个字符来判断结点的类型。一旦知道了结点类型，分析器就可以正确扫描这种结点类型相应的结束字符串。

如果第一个字符不是小于号“<”，同时也不空格，那么它是一个文本结点，并且这个结点一直要到一个小于号”<”或者到文档的结束。如果第一个字符是一个空格，那么它也要一直到小于号”<”或文档结束，但是当看到第一个非空格就表明它是一个文本结点。如果到结点的结束都没有遇到非空格，那么，它就是一个空格结点。

现在，让我们这样的步骤来处理下面的简单XML文档。

<?xml version="1.0"?><test> hello world </test>

首先调用x_ParseNode,开始字符是文档的第一个字符，如果是小于号，表明是标签，所以OPENTAG位被设置，下一个字符是一个问号，那么在OPENTAG状态中，表明这是一个处理指令（PI），现在知道了结点类型，不需要设置OPENTAG位了。它会扫描PI的结束字符串 ?>,再返回。

第二步，调用x_ParseNode,开始字符是测试元素的第一个字符，是小于号，表明这是一个标签，所以设置OPENTAG位，下一个字符是一个有效字符，是元素标签名的第一个字符，那么在OPENTAG状态中，意味着这是一个文本结点。现在知道了结点类型，就不需要再设置OPENTAG位了。它会扫描到元素标签的结束字符”>”,接着返回。

第三步，调用x_ParseNode,起始字符是“ Hello World”的第一个字符，这不是小于号了，它是一个空格，所以TEXTORWS (文本或空格)位要被设置。下一个字符是文本字符，所以在EXTORWS 状态中，就意味着这是一个文本结点，现在，解析器知道了结点类型，就不用再设置 TEXTORWS 位了，它会扫描小于号或文档的结束，然后返回。

第四步，调用x_ParseNode,，开始字符是测试元素结束标签的第一个字符，这是一个小于号，表明它是标签，所以要设置OPENTAG位，下一个字符是斜线，在OPENTAG状态中，这意味着它是一个结束标签，现在知道标签的类型了，不用设置OPENTAG位了，它会扫描结束标签的结束字符“>”，然后返回。