HTML Parser 与 Speculative Parser:流式建树、脚本重入和资源发现
浏览器不会等完整 HTML 下载后再解析。字节进入解码器和 tokenizer,token 交给 tree builder 构造 DOM;经典 parser-blocking script 可以暂停 tokenizer 并重入解析,浏览器可同时运行 speculative parser 发现后续资源。理解这些机制用于解释资源为什么晚发现、DOM 为什么被纠正,以及脚本怎样阻塞文档。
1. 从字节到 DOM
flowchart LR
A["网络字节流"] --> B["编码嗅探与解码"]
B --> C["Tokenizer 状态机"]
C --> D["Tag / Text / Comment Token"]
D --> E["Tree Builder 插入模式"]
E --> F["DOM"]
E --> G["触发样式、图片、脚本等资源处理"]
H["Speculative Parser"] --> I["提前发起候选资源请求"]
A --> HTokenizer 和 tree builder 是不同阶段。Tokenizer 根据 data、tag open、attribute value、script data 等状态识别 token;tree builder 根据 before html、in head、in body、in table 等插入模式决定节点位置。HTML 不是用一个正则或 XML parser 解析。
2. 编码确定与流式解析
服务器应发送正确 Content-Type: text/html; charset=utf-8,文档开头放 <meta charset="utf-8">。编码声明过晚可能使浏览器先按错误编码解析,再重新解码,浪费工作并产生乱码。
流式解析的收益:
- 首批 HTML 到达即可发现 CSS、图片、字体提示和脚本;
- DOM 可渐进构造;
- 服务端可先发送 head 和页面 shell;
- 关键资源发现时间可早于 HTML 完整下载。
但首批字节若只有大段注释、内联 JSON 或阻塞模板,资源仍会晚发现。优化检查 Network 的 request start 与 initiator,而不是只看 HTML 总大小。
3. Tokenizer 状态与特殊文本
<script>、<style>、<textarea>、<title> 的内容不按普通 data 状态处理。<script> 结束标签识别、字符引用和历史兼容规则非常复杂,不能通过字符串拼接安全注入不可信数据。
<script type="application/json" id="boot-data">
{"title":"课程"}
</script>即使 type 不是 JavaScript,</script> 仍能结束元素。把 JSON 序列化进 HTML 时必须使用框架经过验证的安全序列化策略,防止字符串包含结束标签形成 XSS。CSP 不能修复已经破坏 HTML 上下文的转义。
4. Tree Builder 与错误恢复
HTML tree builder 会修复大量无效标记。源码缩进不等于最终 DOM:
<table>
文本
<div>操作</div>
<tr><td>课程</td></tr>
</table>在 table 插入模式下,不允许位置的字符/元素可能通过 foster parenting 被移到 table 之前。浏览器不是简单把节点放在源码父标签下。
4.1 隐式元素
浏览器可为 table 插入 tbody,自动关闭 p,纠正嵌套 form 和交互元素。框架 hydration 若按无效源码期望另一棵树,会出现 mismatch。
4.2 Adoption Agency Algorithm
错误嵌套 formatting elements(如 b、i)由专门算法修复,可能创建或重排节点。应用不应依赖错误恢复结果;使用 Nu HTML Checker 在 CI 阻止无效结构。
4.3 template
template 的内容进入独立 DocumentFragment,不直接成为活动文档子树;内部图片通常不会像普通可见 DOM 一样立即参与页面,但具体资源发现要按元素规则测试。克隆内容后才插入主 DOM。
5. Parser-blocking script
没有 async、defer、type=module 的外部经典脚本通常是 parser-blocking:parser 遇到 script,等待脚本可执行并执行,然后继续。脚本前已有尚未就绪、会阻塞脚本的样式表时,脚本还需等待样式。
<link rel="stylesheet" href="/critical.css">
<script src="/legacy.js"></script>
<main>...</main>脚本可能读取计算样式,所以样式表会阻止该脚本;脚本又阻止 parser,形成关键链。把脚本移到 body 尾部只改变发现和阻塞位置,现代代码通常用 defer/module 并减少关键 CSS。
6. 脚本重入与 document.write
Parser 执行脚本时设置 insertion point。document.write() 可以向输入流插入字符,导致 tokenizer/tree builder 重入。网络慢、async 调用或文档加载完成后调用可能被忽略、清空文档或行为依赖条件。
<script>
document.write('<p id="inserted">同步插入</p>');
</script>新应用不使用 document.write 加载脚本或 UI。第三方 tag 若仍使用,应隔离、异步替代并在慢网络测试;浏览器可能对跨源 parser-blocking document.write 采取干预。
7. Speculative HTML Parser
WHATWG 将其描述为用户代理可选优化。正常 parser 因 pending parsing-blocking script 等待时,speculative parser 可继续读取可用字节,在不改变真实 DOM 的前提下产生 speculative fetch。
关键规则:
- 它不执行真实 DOM 操作;
- 发现哪些资源是实现定义,但不能在假设阻塞脚本“不做任何事”时请求本不会请求的资源;
- 正常 parser 之后仍会看到标记,缓存/请求合并避免重复下载;
- document.write 可能让预测状态失效并重启扫描;
- JavaScript 动态创建或隐藏在字符串中的 URL 无法由 HTML 扫描提前发现。
“Preload Scanner”是常用实现术语;规范中的准确抽象是 speculative HTML parsing。不能假定所有浏览器采用完全相同优先级和扫描策略。
8. 资源怎样被发现
| 标记 | 发现时可确定的信息 | 常见边界 |
|---|---|---|
<link rel=stylesheet> | URL、media、crossorigin | CSS 内的资源需等 CSS 下载解析 |
<script src> | URL、类型、async/defer | 动态 import 需执行模块或 modulepreload |
<img src/srcset sizes> | 候选、viewport 选择信息 | CSS 背景图需等 CSSOM;lazy 可能延后 |
<link rel=preload> | URL、as、type、crossorigin | 属性不匹配会重复请求或浪费 |
<iframe src> | 子文档 URL | loading=lazy 和可见性影响时机 |
内联 style url() | 元素被解析后可发现 | 外部 CSS 更晚 |
CSS 背景图晚于 HTML <img> 发现,是 LCP 图片不应只用背景图的原因之一;但语义装饰图仍适合 CSS,不能为性能破坏内容语义。
9. DOMContentLoaded 与 load
document.readyState:loading 表示 parser 仍工作;interactive 表示解析完成,defer/module 脚本执行阶段与事件顺序需考虑;complete 表示相关资源加载完成。
DOMContentLoaded 在文档解析且 defer/module 等相应脚本执行后触发,不等待所有图片。load 等待更多依赖资源。async 脚本独立执行,可能在 DOMContentLoaded 前或后。
function initialize() {
document.querySelector("#app")?.setAttribute("data-ready", "true");
}
if (document.readyState === "loading") {
document.addEventListener("DOMContentLoaded", initialize, { once: true });
} else {
initialize();
}异步加载脚本不能只注册 DOMContentLoaded,因为事件可能已经发生。
10. 案例一:LCP 图片发现晚
输入
Network 显示 HTML 0 ms 开始、CSS 150 ms 开始、hero.jpg 520 ms 才请求;Initiator 是 hero.css。LCP 2.9 s,图片下载只 400 ms。
处理
- hero 只存在于外部 CSS 的 background-image;
- scanner 先发现 CSS,必须等 CSS 下载解析才发现图片;
- hero 是内容图和 LCP 候选,改为
<img>/picture,在 HTML 首批字节提供 srcset/sizes; - 明确 width/height 防 CLS,
fetchpriority="high"只用于真实关键候选; - 删除重复 CSS background URL,避免双请求。
输出与验证
hero 请求从 520 ms 提前至 170 ms,LCP 多次样本 p75 从 2.9 s 降到 2.3 s。验证图片语义 alt、不同 viewport 选择、缓存冷/热和慢网。
失败分支
同时保留 <link rel=preload href=hero-large.jpg> 与响应式 picture,窄屏仍预载大图且又请求小图。修复为匹配 imagesrcset/imagesizes 或直接依赖早期 <img>,以 Network 确认单请求。
11. 案例二:第三方同步脚本阻塞解析
输入
head 中广告脚本等待 1.4 s;HTML 后半内容在这之后才进入 DOM。speculative parser 发起部分图片,但脚本执行 180 ms 且 document.write 插入另一个脚本。
处理与方案
方案 A:第三方支持 async,改 async 并在回调初始化;不保证 DOM 顺序。方案 B:需要 DOM 顺序但不操作 parser,改 defer;按文档顺序、解析后执行。方案 C:若供应商只能 document.write,将其放 sandbox iframe,避免阻塞主文档和扩大 DOM 权限。
输出与验证
主文档 DOMContentLoaded 提前,长任务减少;广告失败不阻止正文。验证第三方同意的加载方式、收入指标、CSP、consent 和 iframe 尺寸。
失败注入:阻断第三方域,页面主导航、正文和键盘仍可用;超时后保留占位尺寸而非布局跳动。
12. 流式 SSR 的 parser 边界
服务器可先 flush head、critical CSS link 和页面骨架,再输出慢内容。收益取决于代理/CDN 是否缓冲、压缩是否攒包、首批字节是否包含关键发现。
不能在响应头已提交 200 后才发现根资源不存在并想改 404。服务端在 flush 前完成身份、权限和主要资源存在性判断;次要区域用流式错误边界。
内联 hydration 数据需安全序列化;chunk 边界不能拆坏多字节编码或 HTML 语义,框架流 renderer 负责协议,应用不要手拼不可信 HTML。
13. 调试实验
使用 DevTools:
- Network 查看请求 Initiator、Priority 与开始时刻;
- Performance 记录 Parse HTML、Evaluate Script、DOMContentLoaded;
- Disable cache + Slow 3G 放大顺序;
- Coverage 检查早期脚本是否首屏需要;
- View Source 对比 Elements,识别 tree builder 修复;
- 用
performance.getEntriesByType("resource")导出资源 startTime; - 用 Nu checker 阻止无效 HTML;
- 禁用 JavaScript确认基础 HTML 内容。
14. 方案取舍与生产边界
| 做法 | 收益 | 成本/风险 |
|---|---|---|
| 流式 HTML | 提前解析和资源发现 | 状态码、代理缓冲、错误边界复杂 |
| defer/module | 不阻塞 parser | 执行仍可长任务;依赖 DOM/顺序需设计 |
| async | 独立下载尽早执行 | 顺序不确定,可打断主线程 |
| preload | 显式提前关键资源 | 配错 as/cors/type 重复或浪费 |
| 内联关键数据 | 少一次请求、可 SSR | XSS 序列化、HTML 体积、缓存个性化 |
| 第三方 iframe | 权限/阻塞隔离 | 通信、布局、无障碍和 cookie 约束 |
15. 综合练习
构建一个可切换四种脚本模式和两种 hero 发现方式的实验页,服务器按 100 ms 分块发送 HTML。
验收标准:
- 记录 tokenizer/DOM 节点出现、资源请求、DOMContentLoaded/load 时间;
- 展示普通、defer、async、module 的真实顺序;
- 加入 parser-blocking CSS,解释脚本为什么等待;
- 构造无效 table/p 嵌套,对比源码和 DOM;
- background hero 与 img hero 各测 30 次 request start/LCP;
- 第三方阻断时正文仍可用;
- Nu HTML Checker 通过正常版本;
- 报告包含至少两个方案、失败注入和生产选择依据。
来源
- WHATWG HTML:Parsing HTML documents(访问日期:2026-07-17)
- WHATWG HTML:The script element(访问日期:2026-07-17)
- WHATWG HTML:Current document readiness(访问日期:2026-07-17)
- MDN:DOMContentLoaded(访问日期:2026-07-17)
- Nu HTML Checker(访问日期:2026-07-17)