PHP-CSS-Parser 项目中 @font-face 规则 src 属性解析问题分析
在 PHP-CSS-Parser 项目中,开发者发现了一个关于 CSS @font-face 规则中 src 属性解析的异常情况。当 src 属性包含多个字体源时,解析器未能正确识别逗号分隔的多个 URL 值,导致解析结果出现错误。
问题现象
在 CSS 中,@font-face 规则的 src 属性通常包含多个字体源,以逗号分隔。例如:
@font-face {
font-family: 'Open Sans';
src: url('../fonts/open-sans-italic-300.woff2') format('woff2'),
url('../fonts/open-sans-italic-300.ttf') format('truetype');
}
在使用 PHP-CSS-Parser 8.4.0 版本解析时,上述代码中的 src 属性被错误地解析为三个组件,而不是预期的两个。这种错误解析会导致后续处理字体资源时出现问题。
技术分析
解析器工作机制
PHP-CSS-Parser 在解析 CSS 属性值时,会根据不同的属性类型采用不同的分隔符优先级。对于大多数属性,空格是主要的分隔符,而对于某些特殊属性(如 box-effect),逗号的分隔优先级更高。
问题根源
src 属性在 @font-face 规则中具有特殊语法:
- 允许指定多个字体源,用逗号分隔
- 每个字体源可以包含 URL 和格式声明
当前解析器的默认行为将空格视为比逗号更高优先级的分隔符,这与 src 属性的实际语法要求相矛盾。正确的处理方式应该是:
- 首先按逗号分隔多个字体源
- 然后在每个字体源内部按空格分隔 URL 和格式声明
解决方案
项目维护者通过调整 src 属性的分隔符优先级解决了这个问题。具体修改包括:
- 为
src属性指定非标准的分隔符优先级顺序 - 确保逗号的分隔优先级高于空格
这种解决方案保持了向后兼容性,同时正确处理了 @font-face 规则中的 src 属性。
扩展讨论
这个问题揭示了 CSS 解析中的一个常见挑战:不同属性可能需要不同的解析策略。类似的情况还包括:
background属性的多重值transform属性的多个函数box-effect属性的多个效果定义
良好的 CSS 解析器需要能够根据上下文动态调整解析策略,这也是 PHP-CSS-Parser 项目持续优化的方向之一。
总结
这个问题的解决展示了 PHP-CSS-Parser 项目对 CSS 规范细节的重视。通过精确控制属性值的解析顺序,确保了复杂 CSS 规则的正确处理。对于开发者而言,理解这些底层机制有助于更好地使用解析器,并在遇到类似问题时能够快速定位原因。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00