文檔對象模型

文檔對象模型（Document Object Model，簡稱DOM），是W3C組織推薦的處理可擴展置標語言的標準編程接口。它是一種與平台和語言無關的應用程式接口(API),它可以動態地訪問程式和腳本,更新其內容、結構和www文檔的風格(目前,HTML和XML文檔是通過說明部分定義的)。文檔可以進一步被處理，處理的結果可以加入到當前的頁面。DOM是一種基於樹的API文檔，它要求在處理過程中整個文檔都表示在存儲器中。另外一種簡單的API是基於事件的SAX，它可以用於處理很大的XML文檔，由於大，所以不適合全部放在存儲器中處理。

基本介紹

• 中文名：文檔對象模型
• 外文名：Document Object Model
• 簡稱：DOM
• 定義：可擴展置標語言

定義

文檔對象模型（Document Object Model，簡稱DOM），是W3C組織推薦的處理可擴展置標語言的標準編程接口。它是一種與平台和語言無關的應用程式接口(API),它可以動態地訪問程式和腳本,更新其內容、結構和www文檔的風格(目前,HTMl和XML文檔是通過說明部分定義的)。文檔可以進一步被處理，處理的結果可以加入到當前的頁面。DOM是一種基於樹的API文檔，它要求在處理過程中整個文檔都表示在存儲器中。另外一種簡單的API是基於事件的SAX，它可以用於處理很大的XML文檔，由於大，所以不適合全部放在存儲器中處理。

模型及擴展

文檔對象模型DOM

DOM即文檔對象模型，是W3C制定的標準接口規範，是一種處理HTML和XML檔案的標準API。DOM提供了對整個文檔的訪問模型，將文檔作為一個樹形結構，樹的每個結點表示了一個HTML標籤或標籤內的文本項。DOM樹結構精確地描述了HTML文檔中標籤間的相互關聯性。將HTML或XML文檔轉化為DOM樹的過程稱為解析(parse)。HTML文檔被解析後，轉化為DOM樹，因此對HTML文檔的處理可以通過對DOM樹的操作實現。DOM模型不僅描述了文檔的結構，還定義了結點對象的行為，利用對象的方法和屬性，可以方便地訪問、修改、添加和刪除DOM樹的結點和內容。

DOM樹擴展

根據W3C的定義，DOM樹結點的屬性包括標記名(nodeName)、結點類型(node Type，取值為TagTxt)、結點內容(data)、父結點對象集合(parent Node)、子結點對象集合(firstChild，lastChild)、兄弟結點對象集合(previous Sibling，nextSibling)等。DOM樹結點的這些屬性給出了頁面的基本內容和結構信息，但不能反映標籤、屬性以及內容等與主題的相關程度，因而缺乏主題提取所需的語義。對DOM樹擴展的總體思路為:考慮HTML頁面標籤的類別，以及標籤屬性值對頁面主題信息的影響，將這種影響納入對頁面內容要素的計算中，對DOM樹結點進行語義擴展，同時引入結點影響度因子來刻畫該結點在樹中的重要程度。

DOM樹結點語義擴展

為了增加DOM樹結點與頁面主題信息相關程度的語義信息，計算結點內容的重要度，將HTML標籤的類別(Category)、非連結文字數(WordNum)、超連結數(LinkNum)、屬性集(Attibution)和影響度因子(Influence)等屬性添加到結點中，擴展其語義。HTML標籤依據其作用可分為5類:

• 描述標題及頁面概要信息的標籤:如〈title〉、〈meta〉等。
• 規劃網頁布局的標籤:如〈table〉、〈tr〉、〈td〉、〈p〉、〈div〉等，其作用是描述網頁內容的布局結構。
• 描述顯示特點的標籤:如〈b〉、〈I〉、〈strong〉、〈h1〉-〈h6〉等，其作用是強調重點內容，引起人們注意。
• 超連結相關的標籤，表示網頁間的內容相關性信息。
• 其他標籤，如設定圖像的標籤〈img〉，在文本提取時將忽略這類標籤。

根據HTML標籤在刻畫網頁特徵時的語義功能，將DOM樹結點分為6種類別:標題類(TITLE)、正文類(CONTENT)、視覺類(VISION)、分塊類(BLOCK)、超鏈類(LINK)和其他類(OTHER)，不同類的結點對Web信息提取的重要度不同。

• 標題類(TITLE):指HTML文檔中標題標籤的專有類別。
• 正文類(CONTENT):指包含網頁正文內容的標籤類別，如包含文字的〈td〉標籤。
• 視覺類(VISION):指描述頁面顯示特性的標籤類別，如〈b〉、〈strong〉等。
• 分塊類(BLOCK):指用於網頁內容分塊的標籤類別，如〈table〉、〈tr〉等。
• 超鏈類(LINK):指包含超連結的標籤類別，如〈a〉。
• 其他類(OTHER):指不屬於以上5種類別的標籤類型。

以上6類結點對頁面主題的重要度依次降低。擴展後的DOM樹結點結構如圖1所示。

圖1 擴展後的DOM樹結點結構

結點影響度因子

Web頁面的有效內容大多存在DOM樹的葉結點中，DOM樹中的其餘結點主要用於表示內容分塊及頁面的外觀特性。在已有的頁面信息提取方法中，對這些結點往往只考慮內容分塊作用，而忽略了視覺結點對頁面內容的影響。實際上，網頁設計者通常會利用顯示標籤以及標籤屬性強調重點內容，不妨稱其為強調標籤和標籤強調屬性，例如〈b〉標籤，或〈font〉標籤的size屬性。此外，不同類別結點對其子孫結點內容塊的影響也是不同的。例如，以標題類結點為祖先結點的內容塊，其重要程度應更高。為了評判DOM樹中結點對內容的影響程度，定義了結點影響度因子。

定義1(DOM樹結點影響度因子)表示結點對內容影響的相對程度，用Influence(node)表示，Influence(node) ∈[0，1]。該值越大，表明影響程度越高。

結點影響度因子的確定要綜合考慮結點類別和標籤強調屬性，其初值按TITLE，CONTENT，VISION，BLOCK，LINK，OTHER類別降序排列。可構造影響度因子初值向量Initvlale。同時結點影響度因子具有傳遞性，即某結點的影響度因子值應向其子結點傳遞。因此，葉結點的影響度因子可由下式計算:Influence(leaf) =∑ki=Influence(Ancestori)其中，Ancestori是葉結點的祖先結點，k為祖先結點數。

接口

主要的接口有：

圖2 接口之間繼承的關係

• Node接口：它是文檔中節點的基類型。定義了基本的訪問和改變文檔結構的方法。
• Document接口：它代表整個文檔。可創建文檔中的各種節點(元素、注釋、處理指令等)，創建的節點中帶有一個OwnerDoculnent屬性表示創建它們的Document對象。
• DocumentFragment接口：它代表文檔樹的子樹，相當一個小型文檔。
• Attr接口：它代表元素節點的屬性。有意思的是它並不認為是該元素節點的子節點，不構成DOM樹的一部分。同時也不是DocumentFragment節點的直接子節點。
• CharacterData接口：它維護了DOMsitrgn字元串並提供讀寫操作的接口。但不直接對應文檔的某種類型節點。
• Text接口：它從CharacterData繼承而來。代表元素或屬性的一段連續的文本內容。它有一個派生的接口CDATAsection，目的是：CDATASeciton節點的內容將不會作任何轉化;使用Node中的nomraliez方法時相鄰的Text節點會合併成一個節點，但使用CDATASeciton可避免合併。
• Comment接口：它也從CharacterData繼承而來。代表注釋中的文本內容。
• NodeList接口：用於管理有序的節點集。
• Entity接口：它代表實體;EntityReference代表實體的引用。
• NamedNodeMap接口：用於管理無序的節點集。
• DOMImplementation接口：它提供與DOM模型的實例無關的接口。CreateDocument可創建一個Document對象;haseFature可判斷DOM實現是否支持某一模組。
• Notation接口：它代表文檔中的符號定義。
• ProcessingInstruction接口：它代表處理指令。
• DOMException接口：異常處理。由於程式中的邏輯錯誤、數據丟失或DOM實現本身不穩定引起的錯誤。在程式處理過程中，由方法返回一個錯誤值。接口之間的繼承關係可參看圖2。

特徵

Document Object Model的歷史可以追溯至1990年代後期微軟與Netscape的“瀏覽器大戰”（browser wars），雙方為了在JavaScript與JScript一決生死，於是大規模的賦予瀏覽器強大的功能。微軟在網頁技術上加入了不少專屬事物，計有VBScript、ActiveX、以及微軟自家的DHTML格式等，使不少網頁使用非微軟平台及瀏覽器無法正常顯示。DOM即是當時蘊釀出來的傑作。

DOM分為HTML DOM和XML DOM兩種。它們分別定義了訪問和操作HTML/XML文檔的標準方法，並將對應的文檔呈現為帶有元素、屬性和文本的樹結構（節點樹），如圖3所示： 1）DOM樹定義了HTML/XML文檔的邏輯結構，給出了一種應用程式訪問和處理XML文檔的方法。

圖3 邏輯結構

2）在DOM樹中，有一個根節點，所有其他的節點都是根節點的後代。

3) 在套用過程中，基於DOM的HTML/XML分析器將一個HTML/XML文檔轉換成一棵DOM樹，應用程式通過對DOM樹的操作，來實現對HTML/XML文檔數據的操作。