시간을 기록하다

현재 개발 중인 HTML 파서는 파싱의 효율성을 위해 기본적으로 DOM과 유사한 방법을 사용한다.

DOM이란?
위키의 설명을 빌리자면 "문서객체모델(DOM; Document Object Model)은 객체 지향 모델로써 구조화된 문서를 표현하는 형식이다." 라고 정의되어 있다. W3C의 공식 표준이며 HTML 문서의 요소(엘레멘트; element : 영문으로는 엘레멘트라 하지만 국내에서는 대부분 "태그"로 말한다)를 제어하기 위해 웹브라우저에서 처음 지원됐다.

DOM의 적합성
결국 DOM을 단순히 말하자면 특정한 구조를 가진 문서에 대해 쉽게 쓸 수 있게 하는 것이라고 생각할 수 있는데, 구조화된 문서는 HTML 파서에 어떤 효용성이 있는지 판단해 보아야한다. XML 문서의 경우 자체적으로 이미 하나의 DOM 객체라고 할 수 있는데 자바스크립트를 이용하면 특정 레벨에 대한 검색이나 태그의 탐색등을 할 수 있는 점이 그 예이다. 즉, 현재 개발하려는 HTML 파서의 목적 중 가장 중요한 기능이라 할 수 있는 특정 정보(특정한 태그나 속성)에 대한 탐색이 용이할 것이라는 판단이 나온다. 그러므로 HTML 파서 개발에서 기본적으로 DOM과 같이 HTML을 이용할 수 있도록 자체적으로 API를 만들것이다.

개발 언어
또 하나의 중요한 관점은 파서의 속도인데, 웹브라우저를 통해 우리가 보게되는 페이지의 정보는 많지 않을지 몰라도 실제 그 문서의 소스코드를 살펴보면 상당히 많은 정보가 들어 있으므로, 많은양의 문서를 파싱해야하는 파서로서는 조금이라도 속도가 빠른것이 용이하다. 그렇다면 포인터를 이용하는 C 나 C++ 이 적합한데, 이 중 객체의 개념을 적용하기 쉽고 코드 이식성을 높일 수 있도록 C++를 사용한다.

HTML 문서의 분석
HTML 문서에서 가장 기본 단위는 태그라고 할 수 있다.
태그에는 기본적으로 태그명, 속성명, 속성값이 포함될 수 있다. 태그명은 하나의 태그에 하나만이 존재하지만, 속성의 경우 아래 예와 같이 다수의 속성명을 포함 할 수 있으므로, 가장 기본 단위의 객체를 태그로 놓아두되, 태그는 속성 객체의 리스트를 멤버로 갖도록 설계해야 한다.
또한 속성 객체에는 어떤 멤버가 필요한지 살펴볼 필요가 있다. 위의 a태그의 id 속성만을 놓고 봤을 때, "id"라는 속성명과 "ex_id"라는 속성값이 있다. 속성에 대한 검색과 원형 복원 등을 위해 대문자 속성명(검색용), 쿼테이션마크, 속성값 등에 대한 멤버가 필요하다.

태그에는 태그명, 속성, 텍스트 외에도 몇가지 더 필요한 것이 있다. 단순히 태그에 대해 표현하고자 하는것이 아니라 HTML 문서를 구조화 시키기 위한 것이므로 계층 구조를 만들어 줄 링크가 필요하다. 우선 모든 태그의 부모 태그는 하나 뿐이므로 부모 태그에 대한 링크가 필요하며, 자식 태그의 경우 다수의 자식 태그가 존재할 수 있으므로 자식 태그의 링크를 리스트의 형태로 멤버로 갖도록 한다. 속성과 마찬가지로 검색용 태그명이 필요할 것이며, 해당 태그가 열기 태그인지 닫기 태그인지를 구별할 수 있도록 열기닫기에 대한 플래그를 멤버로 가진다(사실 이 플래그가 크게 중요한 것은 아니다).

HTML 구조화를 간략하게 표현해보면 아래의 그림과 같이 나타낼 수 있게된다. 그림에서 알 수 있듯이 결국 HTML 문서를 최상위 노드(Root Tag)에서 뻗어 나오는 트리 형태의 구조로 그릴 수 있게된다.

여기까지 HTML 파서에서 문서의 구조화에 대해 설명하고 다음에 파서의 필요 기능들과 탐색 기법 등을 설명한다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.