定義
DOM是什麼？DOM的全稱是Document Object Model，即文檔對象模型。
可能前端同學對這個會比較熟悉；事實上，HTML中的DOM和XML中的DOM是同一個概念。我們來看看W3C對DOM的定義：
“The DOM” is an API for accessing and manipulating documents (in particular, HTML and XML documents)
也就是說，DOM是一個對文檔（尤其是指的是HTML和XML中的文檔）進行訪問和修改的API。
所以，顧名思義，DOM parser就是一個對DOM進行解析的工具，把XML加載到內存中，解析成樹型結構，也就是所謂的DOM樹。並且，樹的每一個結點都是對象，封裝了數據，並且提供了相應的操作方法。
爲什麼是樹
爲什麼是樹，而不是別的結構？因爲，文檔具有層次結構的特點，屬於那種類型相同（都是element），並且層數可變的數據。對於這種數據，使用樹能夠有效降低深度，提供比較高的檢索效率。當然，這種結構也有一個弱點，就是因爲類型相同，約束實際上很弱，只需要滿足很少的一些條件就可以被稱爲是“格式良好”的；因此，我們引入了詞彙表，包括DTD和Schema，來對語義做進一步的校驗，以確保XML是“合法”的。
格式良好的XML
格式良好其實是客觀需求，至少在當時是。因爲，小型設備往往缺乏解釋“糟糕”的標記語言的計算資源/計算能力，所以需要我們滿足一些規範，以減少解析的開銷。
格式良好的XML需要滿足以下幾個條件，也就是所謂的“5 + 1規則”。其中，5條定義語法結構，1條保證一致性：
-
單根元素
- 所有的XML文檔都只能有一個根元素
- 樹結構，而非森林結構
-
元素標籤規則
- 同時有開始標籤<>和結束標籤</>
- 沒有內容的元素可以簡寫</>
- 可以擁有鍵值對形式的屬性a=""
-
元素嵌套規則
- 可以任意嵌套任意多層的子元素
- 子元素關閉前不能提前關閉父元素
-
元素規則
命名
- 首字母必須是大小寫字母或者下劃線
- 後面可以接任意長度的字符、數字、連字符
- 大小寫敏感（與HTML不同，HTML大小寫不敏感）
- 不能有空格
- 不能以XML（以及XML的任意大小寫組合）開頭，這是保留字段
內容
-
XML文檔由使用標籤對錶示的元素、可選的屬性和可選的在開始標籤和結束標籤之間的數據構成
-
混合內容：數據 + 其他內容
-
PCDATA（被解析的字符數據）：提取並檢查
- 需要對預定義實體進行轉義，如>
- 默認使用
-
CDATA（字符數據）：使用<![CDATA[...]]>進行包裝，不處理
-
HTML、XML、JS代碼、需要大量轉義的文本，等等
-
內部的文本遵循源語言的轉義規則
類似於其他語言中的raw string，我沒有暗示Python的意思。
要不然叫template string吧。
-
-
元素屬性
- 給元素附加信息
- 鍵值對，其中key必須是合法的XML名稱
- 屬性必須有值，用""或’'包裹
- 可以有多個屬性
-
XML聲明（一致性）
- 可選的XML聲明，出現在第一行
- encoding指定編碼
- standalone表達完整性：是否依賴於文檔外的信息？
處理過程
DOM的解析過程分爲下面幾步：
- 需要使用DOM的應用程序創建DOM parser，parser一般是單例的。
- parser讀取XML文檔，以及相應的詞彙表（也就是校驗規則），比如DTD（已經過時），或者Schema。當然，如果不需要校驗，可以只讀取XML文檔。
- parser嚮應用程序報告解析過程中遇到的錯誤，包括但不限於：
- 格式不良好，也就是不滿足5 + 1規則；
- I/O異常；
- 解析器自身的異常；
- 如果有詞彙表，並且與詞彙表所定義的語義不符；
- parser生成DOM樹
- 應用程序對DOM樹進行CRUD操作；
- 應用程序輸出最終版本的XML。當然，如果應用程序只需要讀取XML，這一步就可以沒有。
DOM結構
理想情況下，DOM應該是很簡單的。但是，實際使用時，爲了可讀性（沒有誰會願意讀那種全部放在一行的XML吧），會插入很多換行符和空白符，這些換行符和空白符也會以text結點的形式出現在DOM樹中。同時，結點還會擁有屬性，這就讓整個DOM的模型複雜了很多。
不過，歸根結底，它們都是結點，都擁有共同的操作方法，這給我們的處理過程帶來了便利。
DOM結點
通用接口
在DOM中，所有的內容都是結點，包含這些屬性：
- 結點名稱
- 結點類型，比如element，text，attribute
- 與其他結點的關係，比如parent，siblings，children
包含一些通用的方法：
- 增加子結點
- 替換子結點
- 刪除子結點
結點類型
有四種主要的結點類型：
- Document
- Element
- Attr
- Text
以及一些不那麼常見的結點類型：
- DocumentFragment
- 這個類型比較有趣，因爲它可以不滿足之前所說的單根原則。
- 在HTML中，一般用以實現shadow DOM，注入一些HTML片段。並且，由於它的內容並不是原始DOM的一部分，不會觸發重新渲染。
- CDATASection
- 這個就是之前所說的CDATA的部分，用以實現“raw string”。
- Comment
- Processing Instruction
- Entity / EntityReference
Document結點
比較特殊的是，DOM會有一個document結點，包含全部的DOM元素。至於爲什麼，剛纔已經提到過了，格式良好的文檔應該滿足單根元素規則，也就是隻有一個根結點，並且是樹結構而不是森林結構。可以想象，如果沒有document結點，因爲還會有別的元素出現，整個DOM就會變成森林結構。
從某種程度上來說，document類似於所謂的“啞結點”。
空白符
剛纔提到，爲了可讀性，我們會往XML裏插入很多換行符和空白符，這些換行符和空白符也會以text結點的形式出現在DOM樹中。這個有時候會帶來一些讓人迷惑的現象，比如：
<book ibsn="123-765">
<author>Tom</author>
<title>Foo</title>
<price>$6</price>
</book>
請問book有幾個子節點？答案是7個，3個元素，4個空白符形成的text結點。
屬性結點
比較神祕的是，屬性不“屬於”DOM結構的內容。因爲，屬性結點沒有父結點，也沒有子結點。在HTML中，屬性是以NamedNodeMap的形式出現在父結點的屬性中的。
DOM應用
一個DOM應用，一般來說，會有四個步驟：
- 創建parser
- 處理parser的錯誤
- 遍歷document，不過這個說法聽起來性能很差，也許叫瀏覽會好一點
- 處理document
這些就是一些純粹的實現細節上的問題，就不再贅述了。
值得一提的是，在處理DOM parser的異常時，可能會有兩種處理方式，一種是原生的try-catch，另一種是SAX風格的錯誤處理，通過使用setErrorHandler方法來指定錯誤處理的邏輯。如果大家還有印象的話，這個其實就是命令模式。它還有一個更通俗的叫法，“回調函數”。