HTML Parser Specification

プロローグ/エピローグ

●ドキュメント開始前のテキスト
先行する空白文字シーケンスを除き暗黙的にhtml要素内に移動
あいうえおかきくけこ <html>さしすせそ</html>	→	<html>あいうえおかきくけこさしすせそ</html>
●ドキュメント終了後のテキスト
最後尾の空白文字シーケンスを除きhtml要素内に包含
<html>あいうえお</html>かきくけこさしすせそ	→	<html>あいうえおかきくけこさしすせそ</html>
●XML宣言
XMLReaderプロパティとLocator2へ設定
<?xml?> <html>あいうえお</html>	→	<html>あいうえお</html>
●XML宣言
XMLReaderプロパティとLocator2へ設定
<?xml?> <html>あいうえお</html>	→	<html>あいうえお</html>
●バージョン指定のXML宣言
XMLReaderプロパティとLocator2へ設定
<?xmlversion="1.0"?> <html>あいうえお</html>	→	<html>あいうえお</html>
●XML宣言
XMLReaderプロパティとLocator2へ設定
<?xmlversion="1.0"encoding="UTF-8"?> <html>あいうえお</html>	→	<html>あいうえお</html>
●エンコーディング指定のXML宣言
XMLReaderプロパティとLocator2へ設定
<?xmlencoding="UTF-8"?> <html>あいうえお</html>	→	<html>あいうえお</html>
○未定義の属性の付属するXML宣言
警告して無視
<?xmlfoo="bar"?> <html>あいうえお</html>	→	<html>あいうえお</html>
1, 1: X0001:未定義の XML 宣言属性です: foo="bar"

要素

●子要素を内包しない要素
空の要素として認識
<html><div></div></html>	→	<html><div/></html>
●子要素を内包しない要素(簡略表記)
空の要素として認識
<html><div/></html>	→	<html><div/></html>
●要素内の意味を持たない空白文字
無視
<html />	→	<html/>
○使用していない要素終了
警告して無視
<html>あいう</b>えお</html>	→	<html>あいうえお</html>
1,10: E0002:使用されていない要素の終了: </b>
○要素の終了に属性を記述
警告して無視
<html>あいうえお</htmlclass="foo">	→	<html>あいうえお</html>
1,12: E0001:要素の終了で属性は指定できません: </html ...>

テキストの解釈

●通常のテキスト
テキストとして解釈
<html>あいうえお</html>	→	<html>あいうえお</html>
●XML定義の空白文字
単体のCRは改行としてLFに変換
<html>[][][][ ]</html>	→	<html>[][][ ][ ]</html>
●改行文字の扱い
CRLF及び単体のCRはLFに変換
<html>[ ][ ][]</html>	→	<html>[ ][ ][ ]</html>
●要素に囲まれていないテキスト
暗黙的にHTML要素を開始
あいうえお	→	<html>あいうえお</html>
●単体の'<'
テキストとして解釈
<	→	<html><</html>
○単体の'&'
テキストとして解釈
<html>&</html>	→	<html>&</html>
1, 7: T0001:'&' に続く実体参照名が指定されていません

実体参照の解釈

●HTML/XML共用の文字実体参照
対応するUnicode文字として解釈
<html><>&"</html>	→	<html><>&"</html>
●HTML固有の文字実体参照
対応するUnicode文字として解釈
<html>© ®</html>	→	<html>© ®</html>
●数値文字参照
対応するUnicode文字として解釈
<html>[α][&#X03B1;][α]</html>	→	<html>[α][α][α]</html>
○XML固有の文字実体参照
テキストとして解釈
<html>'</html>	→	<html>&apos;</html>
1, 7: T0100:実体参照 "'" は未定義です
○認識できない文字実体参照
テキストとして解釈
<html> [&foo;] [&;] &0123456789; </html>	→	<html> [&foo;] [&;] &0123456789; </html>
2, 3: T0100:実体参照 "&foo;" は未定義です 3, 3: T0100:実体参照 "&;" は未定義です 4, 2: T0001:'&' に続く実体参照名が指定されていません
○認識できない数値文字参照
テキストとして解釈
<html>[&#;][&#xyz;][𐀀][&#x;][&#xxyz;][𐀀]</html>	→	<html>[&#;][&#xyz;][&#65536;][&#x;][&#xxyz;][&#x10000;]</html>
1, 8: T0100:実体参照 "&#;" は未定義です 1,13: T0100:実体参照 "&#xyz;" は未定義です 1,21: T0100:実体参照 "𐀀" は未定義です 1,31: T0100:実体参照 "&#x;" は未定義です 1,37: T0100:実体参照 "&#xxyz;" は未定義です 1,46: T0100:実体参照 "𐀀" は未定義です

CDATAセクションの解釈

●通常のCDATAセクション
エスケープされていないテキストとして解釈(改行のみ変換)
<html><![CDATA[ <>&" ]]></html>	→	<html><![CDATA[ <>&" ]]></html>
●単体のCDATAセクション
暗黙的にhtml要素を開始
<![CDATA[ABC]]>	→	<html><![CDATA[ABC]]></html>
●ドキュメント要素より前のCDATAセクション
html要素内に内包
<![CDATA[あいうえお]]><html>かきくけこ</html>	→	<html><![CDATA[あいうえお]]>かきくけこ</html>
●ドキュメント要素より後のCDATAセクション
html要素内に内包
<html>あいうえお</html><![CDATA[かきくけこ]]>	→	<html>あいうえお<![CDATA[かきくけこ]]></html>

コメントの解釈

●通常のコメント
XMLのコメントとして解釈
<html><!--コメント--></html>	→	<html><!--コメント--></html>
●空のコメント
XMLのコメントとして解釈
<html><!----></html>	→	<html><!----></html>
●ドキュメント要素より前のコメント
XMLのコメントとして解釈
<!--コメント--><html/>	→	<!--コメント--><html/>
●ドキュメント要素より後のコメント
XMLのコメントとして解釈
<html/><!--コメント-->	→	<html/><!--コメント-->
○連続したハイフンを内包するコメント
そのままハンドラへ通知 (DOM実装で空白を挿入)
<html><!--i----></html>	→	<html><!--i----></html>
1, 7: C0001:コメント内での文字列 "--" は許可されていません
○ハイフンで終了するコメント
そのままハンドラへ通知 (DOM実装で空白を挿入)
<html><!-----></html>	→	<html><!-----></html>
1, 7: C0001:コメント内での文字列 "--" は許可されていません

処理命令の解釈

●ドキュメント要素より前に記述された処理命令
XMLの処理命令として解釈
<?xml-stylesheettype="text/xsl"?> <html/>	→	<?xml-stylesheettype="text/xsl"?> <html/>
●ドキュメント内に記述された処理命令
XMLの処理命令として解釈
<html><?xml-stylesheettype="text/xsl"?></html>	→	<html><?xml-stylesheettype="text/xsl"?></html>
●ドキュメント終了より後に記述された処理命令
XMLの処理命令として解釈
<html/><?xml-stylesheettype="text/xsl"?>	→	<html/><?xml-stylesheettype="text/xsl"?>
●処理命令内の記述
CR及びCRLFのみをLFに変換
<html><?foo[AB C D&]?></html>	→	<html><?foo[A B C D&]?></html>
○無効な処理命令のターゲット名
警告して無視
<html><??></html>	→	<html/>
1, 7: P0001:ターゲット名が不正です:
○無効な処理命令のターゲット名
警告して無視
<html><??></html>	→	<html/>
1, 7: P0001:ターゲット名が不正です:
○無効な処理命令のターゲット名
警告して無視
<html><?foo="bar"?></html>	→	<html/>
1, 7: P0001:ターゲット名が不正です:
○無効な処理命令のターゲット名
警告して無視
<html><?--?></html>	→	<html/>
1, 7: P0001:ターゲット名が不正です: --

ドキュメント宣言の解釈

●PUBLIC IDの記述(SYSTEM ID付属)
DTDHandlerへ通知のみ
<!DOCTYPEhtmlPUBLIC"-//W3C//DTDHTML4.01//EN""http://www.w3.org/TR/html4/strict.dtd"> <html/>	→	<html/>
●PUBLIC IDの記述(SYSTEM ID省略)
DTDHandlerへ通知のみ
<!DOCTYPEhtmlPUBLIC"-//W3C//DTDHTML4.01//EN"> <html/>	→	<html/>
●SYSTEM IDの記述
DTDHandlerへ通知のみ
<!DOCTYPEhtmlSYSTEM"http://www.w3.org/TR/html4/strict.dtd"> <html/>	→	<html/>
●PUBLID ID/SYSTEM ID共に記述
DTDHandlerへ通知のみ
<!DOCTYPEhtml> <html/>	→	<html/>
●html以外のDTD
DTDHandlerへ通知のみ
<!DOCTYPExhtmlPUBLIC"-//W3C//DTDHTML4.01//EN""http://www.w3.org/TR/html4/strict.dtd"> <html/>	→	<html/>
○認識できないDTD
無視
<!DOCTYPEhtmlPRIVATE"http://www.w3.org/TR/html4/strict.dtd"> <html/>	→	<html/>
1, 1: D0001:ドキュメント型を認識できません: <!DOCTYPE html PRIVATE "http://www.w3.org/TR/html4/strict.dtd">

ドキュメント構造

●階層構造のドキュメント
XMLの階層構造として解釈
<html> <head> <metahttp-equiv="Content-Type"content="text/html;charset=UTF-8"> <title>タイトル</title> </head> <body> <h1>タイトル</h1> <p> <bstyle="font-family:sans-serif;">HTMLDocumentBuilderFactory</b>はXMLに<i>厳格でない</i>HTMLを解析してDOMを生成するためのJAXPドキュメントビルダーです。 </p> </body> </html>	→	<html> <head> <metacontent="text/html;charset=UTF-8"http-equiv="Content-Type"/> <title>タイトル</title> </head> <body> <h1>タイトル</h1> <p> <bstyle="font-family:sans-serif;">HTMLDocumentBuilderFactory</b>はXMLに<i>厳格でない</i>HTMLを解析してDOMを生成するためのJAXPドキュメントビルダーです。 </p> </body> </html>
○HTML定義の空要素
XMLの空要素と同等に解釈(ノードを内包する場合は不用な要素終了として警告)
<html> <imgsrc="foo.png"> <imgsrc="foo.png"/> <imgsrc="foo.png"></img> <imgsrc="foo.png">あいうえお</img> </html>	→	<html> <imgsrc="foo.png"/> <imgsrc="foo.png"/> <imgsrc="foo.png"/> <imgsrc="foo.png"/>あいうえお </html>
5,26: E0002:使用されていない要素の終了: </img>
○li:閉じられていないリスティング要素
強制的にolまたはul要素の直下へ移動(オプション動作)
<html> <body> <ol> <li>リスト1 <li>リスト<b>2 <li>リスト3</li>あ </ol> <b><li>何もしない</b> </body> </html>	→	<html> <body> <ol> <li>リスト1 </li><li>リスト<b>2 </b></li><li>リスト3</li>あ </ol> <b><li>何もしない</li></b> </body> </html>
5, 1: E0008:要素を適切と思われる位置に移動しました: <li> 4, 1: E0004:閉じられていない要素: <li> 6, 1: E0008:要素を適切と思われる位置に移動しました: <b> 5, 8: E0004:閉じられていない要素: <b> 5, 1: E0004:閉じられていない要素: <li> 8, 4: E0004:閉じられていない要素: <li>
○p:閉じられていないパラグラフ要素
適切な位置へ移動(オプション動作)
<html> <body> <p> あいうえお <p> かきくけこ <p> さしすせそ </body> </html>	→	<html> <body> <p> あいうえお </p><p> かきくけこ </p><p> さしすせそ </p></body> </html>
5, 1: E0008:要素を適切と思われる位置に移動しました: <p> 3, 1: E0004:閉じられていない要素: <p> 7, 1: E0008:要素を適切と思われる位置に移動しました: <p> 5, 1: E0004:閉じられていない要素: <p> 7, 1: E0004:閉じられていない要素: <p>