marked 如何识别并拒绝无效 HTML 标签：深入解析 html_invalid_tag_name 规范测试
【免费下载链接】markedA markdown parser and compiler. Built for speed.项目地址: https://gitcode.com/gh_mirrors/ma/marked
导读
本文以 marked 仓库中 html_invalid_tag_name.md 这份规范测试规格为切入点，完整剖析 marked（一个面向性能设计的 Markdown 解析与编译器）如何判定 HTML 标签名的合法性：哪些"貌似标签"的输入会被当作真实 HTML 原样输出，哪些会被识别为无效标签而转义为普通文本。读完本文，你将掌握 marked 块级与行内 HTML 识别的双轨正则机制、标签名合法字符集约束，以及一个 spec 测试用例从输入到期望输出的完整判定链路。
一、测试规格原文：三组"无效标签"输入
该规格位于 test/specs/new/html_invalid_tag_name.md，输入仅有三组"伪标签"：
foo <bar_baz> qux foo </a:b> qux <div_>其对应的期望输出记录在同目录的 html_invalid_tag_name.html 中：
<p>foo <bar_baz> qux</p> <p>foo </a:b> qux</p> <p><div_></p>三组输入分别覆盖三种常见的"非法标签名"形态：
| 输入片段 | 非法原因 | 期望输出 |
|---|---|---|
<bar_baz> | 标签名含下划线_ | <bar_baz>（作为普通文本转义） |
</a:b> | 闭合标签名含冒号: | </a:b>（作为普通文本转义） |
<div_> | 标签名以_结尾，含非法字符 | <div_>（作为普通文本转义） |
注意三个关键行为：
- 非法标签不会被当作 HTML 原样透传，而是退化为普通文本；
- 退化后的文本在输出时，尖括号会被转义为
</>； - 每个输入行仍构成独立的
<p>段落，说明这些"伪标签"没有打断段落的正常解析流程。
二、块级与行内：marked 对 HTML 的双轨识别机制
marked 对 HTML 的识别分为块级与行内两套独立规则，均定义在 src/rules.ts 中。要理解上述规格为何成立，必须先弄清这两条规则各自的门槛。
2.1 块级 HTML：白名单标签 + 行结构约束
块级 HTML 正则见 src/rules.ts，它定义了七种类型（源码注释中编号 (1)~(7)）：
<script|pre|style|textarea>起始的整块原始内容；- HTML 注释
<!-- ... -->； - 处理指令
<? ... ?>； - 声明
<!A-Z ...>（如<!DOCTYPE html>）； - CDATA 段
<![CDATA[...]]>； - 由白名单标签
_tag构成的开关标签（</?(tag)(?: +|\n|/?>)），内容延伸到空行； - 整行式的普通开/闭标签，要求标签名匹配
[a-z][a-z0-9-]*且标签后必须紧跟行尾（(?=[ \t]*(?:\n|$))）。
其中类型 (6) 使用的白名单_tag定义在 src/rules.ts，是一份固定的 HTML 标签列表：
address|article|aside|base|basefont|blockquote|body|caption |center|col|colgroup|dd|details|dialog|dir|div|dl|dt|fieldset|figcaption |figure|footer|form|frame|frameset|h[1-6]|head|header|hr|html|iframe |legend|li|link|main|menu|menuitem|meta|nav|noframes|ol|optgroup|option |p|param|search|section|summary|table|tbody|td|tfoot|th|thead|title |tr|track|ul回到本规格：<bar_baz>、</a:b>、<div_>都不在白名单中（类型 6 不匹配），且bar_baz、a:b、div_的标签名含_或:，不满足类型 (7) 的[a-z][a-z0-9-]*字符集约束，因此块级 HTML 规则整体拒绝这三段输入。
2.2 行内 HTML：标签名字符集是唯一准绳
当块级规则不命中时，行内解析器会用行内tag正则再次尝试，该正则定义在 src/rules.ts：
'^comment' + '|^</[a-zA-Z][a-zA-Z0-9-]*\\s*>' // 闭合标签 + '|^<[a-zA-Z][a-zA-Z0-9-]*(?:attribute)*?\\s*/?>' // 开标签 + '|^<\\?[\\s\\S]*?\\?>' // 处理指令 + '|^<![a-zA-Z]+\\s[\\s\\S]*?>' // 声明 + '|^<!\\[CDATA\\[[\\s\\S]*?\\]\\]>' // CDATA 段行内 HTML 标签名的判定规则是：以 ASCII 字母开头，后跟零个或多个字母、数字或连字符（[a-zA-Z][a-zA-Z0-9-]*）。这与 CommonMark 0.31.2 规范对标签名的定义一致（仓库测试基准见 test/specs/commonmark/commonmark.0.31.2.json）。
逐一验证本规格的三组输入：
bar_baz：_不在[a-zA-Z0-9-]字符集内 → 行内 tag 正则不匹配；a:b：:同样不在字符集内（注意：属性名允许冒号，见 src/rules.ts 中attribute的[a-zA-Z:_]，但标签名不允许）→ 不匹配；div_：末尾的_导致整体不满足字符集约束 → 不匹配。
正是这套"标签名字符集白名单"，让所有三个"貌似标签"的片段被行内规则拒绝。
三、无效标签的归宿：退化为文本并被转义
行内与块级规则双双拒绝之后，这些片段会落入普通文本 token 的处理路径。此时尖括号必须被转义，否则会破坏 HTML 安全性。转义由 src/helpers.ts 中的escapeHtmlEntities完成，它依据转义表将<、>、&、"、'等特殊字符替换为对应实体（源码第 10~12 行可见"→"、'→'等映射）。
因此<bar_baz>先退化为纯文本<bar_baz>，再在渲染阶段被转义为<bar_baz>，最终落入<p>段落标签之间输出。这也是 CommonMark 安全模型的关键一环：未通过标签名校验的内容绝不原样透传到输出 HTML 中，从而避免用户输入中的伪标签被当作真实标签注入。
四、从 Tokenizer 到输出的完整判定链路
整个判定过程在 src/Tokenizer.ts 中按顺序执行：
- 块级判定：
html(src)方法（src/Tokenizer.ts）用this.rules.block.html尝试匹配块级 HTML，命中则生成block: true的 html token，并依据捕获组判断pre标志（script/pre/style 原始块）； - 行内判定：
tag(src)方法（src/Tokenizer.ts）用行内tag正则匹配，命中则生成block: false的 html token，同时维护inLink与inRawBlock两个词法状态（用于<a>与<script>等上下文的正确嵌套判断）； - 退化为文本：两次判定均失败后，片段作为普通文本继续解析；
- 转义输出：文本 token 渲染时调用
escapeHtmlEntities完成实体转义，得到规格文件中的期望 HTML。
从源码结构看，Token 类型Tokens.HTML同时承载block布尔标志区分块级/行内两种形态，而tag方法中对inLink/inRawBlock状态的跟踪（src/Tokenizer.ts）保证了对<a>链接内标签与原始块内标签的特殊处理，这些细节共同保证了标签判定的精确性。
五、该规格如何被测试框架执行
这份规格是 marked 自建的specs/new测试套件的一部分。测试框架 test/run-spec-tests.js 启动时会同时加载五组规格：
const [commonMarkTests, gfmTests, newTests, originalTests, redosTests] = ...其中newTests对应./specs/new目录（见 test/run-spec-tests.js），即 marked 针对自身行为特性补充的新规格集，与 CommonMark 官方套件（specs/commonmark）、GFM 套件（specs/gfm，使用gfm: true）、历史行为套件（specs/original，使用pedantic: true）并列。
执行机制为：逐一读取specs/new下成对的.md输入与.html期望输出，用 marked 解析.md，再将结果与.html逐字比对。因此 html_invalid_tag_name.md 与其同名的 html_invalid_tag_name.html 构成一个最小化的、可自动回归验证的行为契约：任何未来对正则或转义逻辑的改动，只要破坏这三组输入输出的对应关系，测试就会立即失败。
六、边界场景与实战启示
基于本规格与源码，可以总结出几条对日常使用 marked 有直接指导意义的结论：
- 标签名合法字符集是
[a-zA-Z][a-zA-Z0-9-]*：<my-tag>、<h1>合法；<my_tag>、<a:b>、<div_>、<1abc>均非法，会被转义为普通文本； - 属性名与标签名的字符集不同：属性名允许冒号（
[a-zA-Z:_][\w.:-]*，见 src/rules.ts），标签名不允许，这是容易踩坑的差异点； - 块级 HTML 还要求"行结构"：白名单标签（类型 6）或整行标签（类型 7）才能形成块级 HTML；位于段落中间的标签只走行内判定，例如本规格的
foo <bar_baz> qux整行只是普通段落； - 转义是不可绕过的安全底线：只要标签名校验失败，尖括号一律实体化输出，防止伪标签注入破坏页面结构。
如果你想亲自验证这套行为，可以打开 test/specs/new/html_invalid_tag_name.md 修改输入，对照 html_invalid_tag_name.html 观察期望输出，并通过 test/run-spec-tests.js 驱动回归测试——这是理解 marked 解析边界最直接、也最可靠的方式。
【免费下载链接】markedA markdown parser and compiler. Built for speed.项目地址: https://gitcode.com/gh_mirrors/ma/marked
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
在配电网电压控制中的应用与优化)
