java - 构建 HTML 表格表示的算法

Question

我需要解析包含 colspans 和 rowspans 的 HTML 表并构建它的表示。

读取 HTML 不是问题，我正在使用 HTMLCleaner 和 XQuery with Saxon (Java)。

但我正在寻找一个好的算法来构建表格，因为我不理解浏览器在“困难”情况下遵循的规则。

例如，给定下表(其中rowspan是错误的)

<table border=1>
    <tr><td rowspan="3">1</td><td>2</td></tr>
    <tr><td>3</td></tr>
</table>

我应用以下算法:

1) for each tr 
    1.1) expand the colspan and rowspan of the cells in the current line
    1.2) create a new line if it doesn't already exist
    1.3) for each td add the elements to the line

即(E是一个空单元格)

newline->no line existing==no expansion
add line elements (1.3)
line1: 1 [tr=3], 2

newline->tr expansion (1.1)
line1: 1[tr=3], 2
line2: E
line3: E

add line elements (1.3)
line1: 1[tr=3], 2
line2: E, 3
line3: E

必须删除第 3 行(Firefox 只呈现两行)，我怎么知道？

我对不完整行的元素由以下行的元素完成的情况特别感兴趣，例如:

<tr><td>1</td><td>2</td><td>3</td></tr>
<tr><td>4</td><td>5</td></tr>
<tr><td>6</td></tr>

rendering: 1 2 3 
           4 5 6

我有一个实际案例:this file包含两个 TR，即使它们是两个不同的 TR，它们也呈现为一个。为什么？

行是这些(从第 129792 行开始)

它们呈现为(在红色矩形内)

我如何决定将元素排到前一行？

对于奇怪的代码，浏览器遵循什么规则？

我使用的是 Java，我也懂 javascript 和一点 PHP，但我我主要对算法感兴趣。我想知道是否已经存在或听取任何建议。

我想要的是能够像真实浏览器呈现的那样输出表格的文本表示。

编辑:

阅读 xtratic 答案后，我阅读了 HTML table processing model specification ，但它似乎没有回答我关于何时必须将元素排入上一行的问题，正如我描述的实际情况(并在此编辑中添加)。事实上，文档说“16 如果当前单元格是正在处理的 tr 元素中的最后一个 td 或 th 元素子元素，则将 ycurrent 增加 1，中止这组步骤，并返回到上面的算法。”。但并非总是会在找到最后一个 td 时换行。

我更感兴趣的是何时组合不同的行。当上一行的 TD 数量少于已找到的最大值时，我尝试将 TD 排在上一行之后，但它不起作用

Answer 1

阅读 HTML table processing model specification 以了解您需要了解的有关如何处理 HTML 表格的所有信息。 (不容易)

由于您要解析 html 表格的形式，我建议您完全按照 §4.9.12.1 Forming a table 下列出的步骤编写您的处理器。 (第 18 步开始处理行)。我很确定浏览器也是这样做的。这些步骤的编写方式尽可能方便地转换为处理器的代码，因此您应该能够完全按照字面意思进行操作。一旦你的处理器完成，你应该有一个单元格表(正如它所定义的那样)，然后你可以用你现在拥有的表模型做任何你想做的事情。我不能保证这会很容易，但至少你会有一步一步的指导。

---

要特别清楚:没有“组合行”，但存在跨越多行的单元格。

algorithm for growing downward是什么放GENERALI SPA..在所有这些行的开头，以及来自以下 <tr> 的数据元素被添加到它们各自行的下一个可用单元格中。

GENERALI SPA...跨越 4 行，但它的第一行是隐藏的，因为上面没有其他数据，所以看起来它只包含 3 行。

<tr> <!-- row 1 (0px high) -->
    <!-- td spans from [1,1] to [1,4] -->
    <!-- this fills the first column of rows 1, 2, 3, and 4 -->
    <td rowspan="4">GENERALI SPA #1</td>
</tr>
<tr> <!-- row 2 -->
    <!-- col 1 is taken by the cell defined above -->
    <!-- td spans from [2,2] to [2,3] taking up col 2 of row 2 and 3 -->
    <td rowspan="2">GENERALI SPA #2</td>
    <td>Proprieta'</td> <!-- ... -->
</tr>
<tr> <!-- row 3 -->
    <!-- col 1 and 2 are taken by the cells defined above -->
    <td rowspan="1">Totale #1</td> <!-- ... -->
</tr>
<tr> <!-- row 4 -->
    <!-- col 1 is taken by the cell defined above -->
    <td colspan="2">Totale #2</td> <!-- ... -->
</tr>

没有格式化或隐藏的表格看起来像这样:

   1                      2                     3             4
  +----------------------+---------------------+-------------+---
1 |         ...          |      (implied)         (implied)       <-- 0px high (hidden)
  +-                    -+---------------------+-------------+---
2 | "GENERALI SPA #1"    | "GENERALI SPA #2"   | "Proprieta" | ..
  +-                    -+-                   -+-------------+---
3 |         ...          |         ...         | "Totale #1" | ..
  +-                    -+---------------------+-------------+---
4 |         ...          | "Totale #2"               ...     | ..
  +----------------------+---------------------+-------------+---

这实际上是您按照 html 规范中的流程解析后获得的表模型。

我认为删除“不完整”行(定义不完整)没有多大意义，让它们留在表格中，它们本质上是标题行，位于它们包含的更多数据之前，它们并没有真正伤害任何东西，您可以很容易地检测到它们。

但是，如果您真的想要，则可以删除没有明确创建的单元格的行，除了跨越其他行的单元格。对于上面的表格部分，您可以删除第 1 行，因为第 1 列跨越第 1、2、3 和 4 行，并且第 1 行没有其他明确创建的单元格。因此，第 1 行的所有数据仍然存在于数据跨度 ([[1,2]、[1,3]、[1,4]) 的单元格中，您可以安全地删除第 1 行。

作为一个额外的例子，当我改变 rowspan到 1，此数据出现在其自己的行和以下 <tr>数据填充各自行上的可用单元格:

---

vvv 不太相关的信息 vvv

老HTML 4.01 Specification ，有一个与您的问题相关的直接示例:

The next example illustrates (with the help of table borders) how cell definitions that span more than one row or column affect the definition of later cells. Consider the following table definition:

<TABLE border="1">
<TR><TD>1 <TD rowspan="2">2 <TD>3
<TR><TD>4 <TD>6
<TR><TD>7 <TD>8 <TD>9
</TABLE>

As cell "2" spans the first and second rows, the definition of the second row will take it into account. Thus, the second TD in row two actually defines the row's third cell. Visually, the table might be rendered to a tty device as:

-------------
| 1 | 2 | 3 | 
----|   |----
| 4 |   | 6 |
----|---|----
| 7 | 8 | 9 |
-------------

Note that if the TD defining cell "6" had been omitted, an extra empty cell would have been added by the user agent to complete the row.

这related question and answer列出了一些可以帮助您抓取表格的库，但我不相信这个答案会处理“困难”的情况，因为它假设 <td> 的出现。元素与其在表中的单元格索引完全对应。