在JavaScript中严格的HTML解析

Question

在Google Chrome（Canary）上，似乎没有字符串可以使DOM解析器失败。我试图解析一些HTML，但如果HTML不完全，100％，有效，我希望它显示错误。我已经尝试过这个显而易见的事了：

var newElement = document.createElement('div');
newElement.innerHTML = someMarkup; // Might fail on IE, never on Chrome.

我也尝试了this question中的方法。对于无效标记，即使是我能生成的最无效的标记，也不会失败。

那么，有没有办法解析HTML＆＃34;严格来说＆＃34;至少在Google Chrome中？我不想自己使用令牌或使用外部验证实用程序。如果没有其他选择，那么严格的XML解析器就可以了，但某些元素不需要在HTML中关闭标签，最好不要那些失败。

Answer 1

使用DOMParser分两步检查文档：

1. 通过将文档解析为XML来验证文档是否符合XML。
2. 将字符串解析为HTML。这需要modification on the DOMParser。
   遍历每个元素，并检查DOM元素是否是HTMLUnknownElement的实例。为此，getElementsByTagName('*')非常适合 （如果要严格解析文档，则必须递归遍历每个元素，并记住元素在该位置是否为allowed to be placed。例如<area>中的<map>）

演示：http://jsfiddle.net/q66Ep/1/

/* DOM parser for text/html, see https://stackoverflow.com/a/9251106/938089 */
;(function(DOMParser) {"use strict";var DOMParser_proto=DOMParser.prototype,real_parseFromString=DOMParser_proto.parseFromString;try{if((new DOMParser).parseFromString("", "text/html"))return;}catch(e){}DOMParser_proto.parseFromString=function(markup,type){if(/^\s*text\/html\s*(;|$)/i.test(type)){var doc=document.implementation.createHTMLDocument(""),doc_elt=doc.documentElement,first_elt;doc_elt.innerHTML=markup;first_elt=doc_elt.firstElementChild;if (doc_elt.childElementCount===1&&first_elt.localName.toLowerCase()==="html")doc.replaceChild(first_elt,doc_elt);return doc;}else{return real_parseFromString.apply(this, arguments);}};}(DOMParser));

/*
 * @description              Validate a HTML string
 * @param       String html  The HTML string to be validated 
 * @returns            null  If the string is not wellformed XML
 *                    false  If the string contains an unknown element
 *                     true  If the string satisfies both conditions
 */
function validateHTML(html) {
    var parser = new DOMParser()
      , d = parser.parseFromString('<?xml version="1.0"?>'+html,'text/xml')
      , allnodes;
    if (d.querySelector('parsererror')) {
        console.log('Not welformed HTML (XML)!');
        return null;
    } else {
        /* To use text/html, see https://stackoverflow.com/a/9251106/938089 */
        d = parser.parseFromString(html, 'text/html');
        allnodes = d.getElementsByTagName('*');
        for (var i=allnodes.length-1; i>=0; i--) {
            if (allnodes[i] instanceof HTMLUnknownElement) return false;
        }
    }
    return true; /* The document is syntactically correct, all tags are closed */
}

console.log(validateHTML('<div>'));  //  null, because of the missing close tag
console.log(validateHTML('<x></x>'));// false, because it's not a HTML element
console.log(validateHTML('<a></a>'));//  true, because the tag is closed,
                                     //       and the element is a HTML element

有关没有DOMParser的XML验证的替代方法，请参阅revision 1 of this answer。

考虑

• 当前方法完全忽略doctype，以进行验证。
• 此方法会为null返回<input type="text">，而它是有效的HTML5（因为标记未关闭）。
• 未检查一致性。