Xây dựng một browser có thể hiển thị đúng nội dung tiếng việt của các trang web tiếng việt sử dụng bảng mã bất kỳ

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA

TRƯƠNG NGỌC TUẤN
ĐỀ TÀI LUẬN VĂN THẠC SĨ :
Xây dựng một browser có thể hiển thị đúng nội dung tiếng Việt
của các trang web tiếng Việt sử dụng bảng mã bất kỳ.

Chuyên ngành : Công nghệ thông tin
Mã ngành : 01.02.10

LUÂÄN VĂN THẠC SĨ

TP HỒ CHÍ MINH, THÁNG 9 NAÊM 2003


Người hướng dẫn :
Tiến só Nguyễn Văn Hiệp
Khoa Công nghệ thông tin
Trường Đại học Bách Khoa TPHCM

Người phản biện :
Tiến só Cao Hoàng Trụ
Khoa Công nghệ thông tin
Đại học Bách khoa TPHCM
Tiến só Đỗ Phúc
Trung tâm Phát triển Công nghệ thông tin
Đại học Quốc gia TPHCM


Đại Học Quốc Gia Tp Hồ Chí Minh

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc Lập - Tự Do - Hạnh Phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Việt

Họ và tên học viên : Trương Ngọc Tuấn
Phái : Nam
Ngày tháng năm sinh : 07 tháng 08 năm 1960
Nơi sinh : Sài Gòn
Chuyên ngành : Công Nghệ Thông Tin
Mã số : 01. 02. 10
I- TÊN ĐỀ TÀI : Xây dựng một browser có thể hiển thị đúng nội dung tiếng
của các trang web tiếng Việt sử dụng bảng mã bất kỳ
II– NHIỆM VỤ VÀ NỘI DUNG :
- Nghiên cứu và phân tích mã nguồn mở Mozilla
- Thiết kế giải thuật phát hiện và chuyển đổi mã chữ Việt sang Unicode
- Tích hợp chức năng phát hiện và chuyển đổi mã vào Mozilla
- Hiện thực trên môi trường Mozilla.
III- NGÀY GIAO NHIỆM VỤ :
IV- NGÀY HÒAN THÀNH NHIỆM VỤ : 30/09/2003
V- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : Tiến Só Nguyễn Văn Hiệp

CÁN BỘ HƯỚNG DẪN

CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ NGÀNH

Nội dung đề cương luận văn thạc só đã được Hội Đồng Chuyên
Ngành thông qua.
Ngày tháng năm
PHÒNG ĐÀO TẠO SĐH
KHOA QUẢN LÝ NGÀNH


Lời cám ơn

♥ Tôi chân thành bày tỏ lòng tri ân với
Tiến só Nguyễn Văn Hiệp, người Thầy
đã tận tình hướng dẫn và giúp đỡ tôi
trong suốt thời gian thực hiện luận
án này.
♥ Tôi cũng chân thành cám ơn Thầy
Tiến só Cao Hoàng Trụ và Thầy
Tiến Só Đỗ Phúc đã bỏ nhiều thời gian
bổ sung cho tôi những ý kiến quý
báu để hoàn thiện luận án.
♥ Tôi cũng xin bày tỏ lòng biết ơn với
Tiến só Dương Tuấn Anh, người Thầy
đã theo dõi, hướng dẫn và giúp đỡ,
đồng thời tạo điều kiện thuân lợi về
thời gian để tôi có thể hoàn thành
luận án này.
♥ Cuối cùng tôi cũng xin bày tỏ lời
cám ơn chân thành đến tất cả các
Thầy, Cô đã truyền đạt cho tôi kiến
thức trong suốt các học phần Cao
học từ 1999-2002.

TÓM TẮT

Ngày nay, cùng với sự phát triển của công nghệ thông tin, nhu cầu sử dụng máy
tính trong đời sống hàng ngày càng phổ biến. Các website trên Internet dần dần trở
thành một phương tiện hiệu quả cho việc trao đổi thông tin. Nhiều tổ chức, doanh
nghiệp, và cá nhân đã tạo những website riêng cho mình. Tuy nhiên, ở một khía
cạnh khác, điều này lại dẫn đến một tình trạng khá phiền toái là, do các website
tiếng Việt không sử dụng thống nhất một bảng mã chữ Việt nên đã gây khó khăn cho
người xem. Để có thể hiển thị đúng ký tự chữ Việt, trên máy người xem cần phải có
cài đúng bảng mã chữ Việt và font chữ dùng trong trang web. Điều này thực sự khó
khăn cho người xem vì thông thường họ không biết được bảng mã dùng trong trang
web là bảng mã nào. Đây là một sự bế tắc cho người xem.
Vì thế, mục đích của luận án này là xây dựng một browser có thể giúp cho
người xem tránh được tình trạng này, tức là có thể tự động hiển thị đúng các trang
web tiếng Việt cho dù bảng mã sử dụng là bảng mã nào, nhưng không cần đòi hỏi
trên máy người xem phải có cài bảng mã đó. Hơn nữa, browser này lại có tính độc
lập môi trường nên có thể ứng dụng trên nhiều hệ điều hành.
Browser này sẽ được xây dựng dựa trên Mozilla, một browser có mã nguồn mở
là một phiên bản của Netscape Navigator. Nội dung của luận văn sẽ nghiên cứu cơ
chế hoạt động của Mozilla, đặt biệt là cơ chế phân tích giải mã, để sau đó phân tích
và thiết kế một engine tích hợp vào trong Mozilla có tính năng tự động phát hiện mã
chữ Việt và chuyển đổi sang mã Unicode để có thể hiển thị đúng trên Mozilla. Font
chữ Việt cũng sẽ được chuyển cho thích hợp với mã Unicode.
Với browser này người xem có thể thoải mái duyệt các website tiếng Việt mà
không phải lo lắng về bảng mã chữ Việt mà trang web sử dụng như trước đây nữa.


ABSTRACT

Nowadays, as the information technology grows more and more, the need of
using computer comes more and more popular in Vietnam. Web sites in the Internet
gradually become a potential means for information exchanges. Many organizations,
businesses, and individuals have their own websites. But on the other side, it
emerges a really annoyed problem: as the character sets used in Vietnamese web
pages are not unique, so it is difficult for the viewers to make them correctly
showned on their browser. It requires the viewers to have the appropriate character
set, or more precisely, the appropriate fonts, installed on their computers to view the
web page correctly. It is really difficult for the viewers to do that, because in
general, they don’t, or they can’t, know what character set and what fonts being
used in the web page. And in the worse cases, the viewers don’t know where to find
the appropriate character set code and how to install it on their computer. They will
really be stuck in this problem.
So, the intention of this thesis is to build a browser that can help the viewer to
avoid the problem above, that is, a browser that can automatically and correctly
show any Vietnamese web page regardless of the Vietnamese character set used in
that page, and does not have any additional requirement for the viewer. Moreover,
to be widely applied, this browser will be designed to be portable.
The browser will be built based on Mozilla, the open-source version of
Netscape Navigator. This thesis will inspect the mechanism of Mozilla, particularly
the mechanism of parsing, then analyzes and gives a design for a Vietnamesesupported engine that will automatically detect the Vietnamese character set and
will convert Vietnamese characters, as well as the font they use, into Unicode
characters under an appropriate font.
With this browser, the user can navigate from one Vietnamese web page to
another Vietnamese web page with no worry about the character set and the fonts
they use. The only thing they need is the browser, and no additional character set
required to be installed. The users will get totally comfortable with this browser
when they navigate around the Internet.

MỤC LỤC

Chương 1. Mục tiêu và nội dung của đề tài.

1

Chương 2. Những vấn đề nghiên cứu có liên quan.
2.1. Các bảng mã chữ Việt và mã Unicode.
2.2. Mô tả sơ lược về ngôn ngữ HTML và XML.

4
8

Chương 3. Phân tích và tìm hiểu mã nguồn Mozilla.
3.1. Tìm hiểu về cơ chế hoạt động của Mozilla.
3.2. Mô tả tổng quát quá trình hiển thị
một trang web trong Mozilla.
3.3. Mô tả tổng quát việc phân tích giải mã
trong Mozilla.
3.4. Khảo sát chi tiết hơn về cơ chế phân tích
cú pháp trong Mozilla.
3.5. Các dạng chuỗi dùng trong Mozilla.
3.6. Đối tượng iterator và các hàm xử lý chuỗi
thường dùng.
Chương 4. Thiết kế và giải thuật.
4.1. Phát hiện và chuyển đổi mã tiếng Việt.
4.2. Chuyển đổi font tiếng Việt cho thích hợp.

14

24
29
33
37
39

41
43
69

Chương 5. Hiện thực chương trình.

75

Chương 6. Kết luận.

86


Chương 1 . Mục tiêu và nội dung của đề tài.

I. Mục tiêu và nội dung của đề tài.

Ngày nay, ở Việt Nam nhu cầu sử dụng Internet ngày càng tăng. Ngày
càng nhiều trang web với nội dung tiếng Việt được đưa lên mạng. Các trang web
tiếng Việt này được soạn thảo bởi nhiều cá nhân, cơ quan, tổ chức khác nhau. Và
vì vậy, việc sử dụng các bộ mã tiếng Việt để biên soạn các trang web cũng rất
tùy tiện, chưa có quy định thống nhất. Đa số các trang web thường sử dụng bộ mã
chữ Việt VNI hoặc TCVN3. Gần đây, nhiều trang web tiếng Việt chuyển sang
dùng mã Unicode. Lại có một số trường hợp nhiều bộ mã chữ Việt được dùng

chung lẫn lộn trong cùng một trang web.
Điều này dẫn đến tình trạng khá phiền toái cho người truy cập vì để hiển
thị đúng được nội dung tiếng Việt của một trang web, trên máy của người xem
phải được cài sẵn đúng bộ mã chữ Việt và phải có đúng font chữ Việt dùng cho
trang web đó, và đôi khi người xem cũng phải biết chọn đúng giá trị thích hợp
cho các setting của browser (option Font trong menu Tools nếu người xem dùng
browser là Internet Explorer ).
Do đó, khi người xem chuyển từ một trang web này sang một trang web
khác thì vấn đề lại đặt ra cho người xem là trên máy đã có sẵn bộ mã và các font
chữ dùng trong trang web hay không.
Khó khăn hơn nữa cho người xem là phải biết được trang web mình đang
xem sử dụng bộ mã chữ Việt nào và font nào. Điều này là một khó khăn lớn cho
người xem vì đôi khi các trang web tiếng Việt không cho biết bộ mã đang sử
dụng là bộ mã nào.
Như vậy, để có thể xem được các trang web tiếng Việt, người xem thường
gặp phải hai trở ngại là trước hết phải biết bộ mã sử dụng cho trang web đang
xem là bộ mã nào, sau đó phải đảm bảo rằng bộ mã chữ Việt đó đã được cài trên
máy và các setting trên browser là phù hợp.
Để cải thiện điều này, hiện nay có một số biện pháp.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

1


Chương 1 . Mục tiêu và nội dung của đề tài.

• Người soạn thảo trang web có thể dùng chương trình tiện ích WEFT (Web
Embedded Font Tool) của Microsoft để tích hợp các font chữ Việt cần thiết vào
ngay trong trang web. Nhờ vậy, khi trang web được tải về máy người xem thì các

font cần thiết cho trang web cũng được tải về. Và do đó, cho dù trước đó trên
máy người xem không có những font yêu cầu nhưng trang web vẫn được hiển thị
đúng chữ Việt.
Tuy nhiên biện pháp này chỉ có tác dụng giới hạn cho một số trang web
tiếng Việt có tích hợp font chữ Việt, còn đối với những trang web tiếng Việt khác
thì cuối cùng người xem cũng phải tự giải quyết lấy vấn đề hiển thị đúng chữ
Việt cho trang web.
• Một biện pháp khác để tránh khó khăn cho người xem trong việc cho hiển thị
đúng chữ Việt, các trang web tiếng Việt hiện nay có khuynh hướng chuyển sang
dùng bộ mã Unicode. Biện pháp này có nhiều triển vọng trong tương lai vì bộ mã
Unicode được tích hợp vào các hệ điều hành Windows từ 98 trở lên, và trong
Unicode, các chữ cái tiếng Việt đã được định nghóa sẵn nằm trong bộ chữ cái la
tinh.
Nhờ vậy nên browser trên các hệ điều hành Windows 98 trở lên có thể
hiển thị đúng chữ tiếng Việt dùng mã Unicode mà không cần phải cài đật gì
thêm. Một trở ngại nhỏ cho biện pháp này là hiện nay vẫn chưa có sự thống nhất
trong việc chọn cách biểu diễn các ký tự chữ Việt bằng mã Unicode bởi vì hiện
nay có hai dạng thường dùng để biểu diễn các ký tự Unicode là UCS-2 và UTF-8.
Thế nhưng cho dù có dùng mã Unicode cho các trang web tiếng Việt thì đó
cũng chỉ là cách giải quyết cho các trang web hiện nay và sau này, còn đối với
những trang web tiếng Việt đã được xây dựng trước đó (không dùng mã Unicode)
thì người xem vẫn gặp phiền toái trong việc cho chúng hiển thị đúng tiếng Việt.
• Giải pháp thứ ba là người xem có thể dùng các phần mềm hổ trợ tiếng Việt
như Web-eye. Các phần mềm này sẽ được cho khởi động trước khi khởi động
browser, và có thể giúp người xem đọc được chữ Việt trên các trang web.
Một hạn chế của phần mềm này là chỉ sử dụng được trên một số hệ điều
hành nhất định, đồng thời làm giảm bớt tài nguyên của máy khá đáng kể vì nó
phải thường xuyên xử lý các ký tự kết xuất ra màn hình.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

2


Chương 1 . Mục tiêu và nội dung của đề tài.

Vì vậy, để khắc phục những điều bất tiện trên, với mục đích cố gắng tìm
một giải pháp tốt hơn, nên nội dung của luận án này là xây dựng một browser có
tính “trong suốt” với mọi bộ font tiếng Việt, nhằm giúp cho người truy cập
Internet có thể thoải mái khi xem các trang web tiếng Việt, không còn phải lo âu
về bộ mã chữ Việt dùng trong trang web là bộ mã nào, cũng như font chữ dùng
trong trang web là những font gì.
Hơn nữa, người xem cũng không cần phải thực hiện những thao tác khai báo
phức tạp nào. Ngoài ra, browser này cũng sẽ được xây dựng trên tinh thần không
phụ thuộc vào hệ điều hành của máy đang sử dụng. Do đó có thể dùng cho cả các
máy chạy Windows lẫn Unix, Linux và MacinTosh.
Để thực hiện được mục đích này, hướng tiến hành của luận án là sẽ dựa vào
bộ mã nguồn mở Mozilla. Mozilla là một browser, nền tảng của Netscape
Navigator, với tính năng độc đáo là không phụ thuộc hệ điều hành, và mã nguồn
Mozilla là mã nguồn mở, luôn được bổ sung, cập nhật và được quản lý bởi một tổ
chức có tên Mozilla.
Do vậy, tận dụng bộ mã nguồn Mozilla sẽ rút ngắn được một quãng đường
dài cho luận án. Vì vậy, nhiệm vụ chính còn lại là bổ sung thêm chức năng xử lý
mã chữ Việt vào trong browser Mozilla.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

3

Chương 2 . Những vấn đề nghiên cứu có liên quan.

II. Những vấn đề nghiên cứu có liên quan.

2.1. Các bảng mã chữ Việt và mã Unicode.
Hiện nay vẫn chưa có một hướng thống nhất trong việc mã hóa chữ Việt vì
có khá nhiều phương thức để mã hóa. Mặc dù tháng 7/2002 bộ mã TCVN đã
được Nhà nước công bố là bộ mã chính thức của Việt Nam, nhưng nhiều cơ quan,
tổ chức đã đưa ra những cách thức mã hóa riêng, do đó nhiều bộ mã chữ Việt vẫn
cùng tồn tại và có những ưu khuyết điểm riêng.
Các bộ mã chữ Việt thông dụng nhất hiện nay gồm có mã TCVN3 ( còn gọi
là bộ mã ABC, là bộ mã được nhiều cơ quan nhà nước dùng trong các văn bản
chính thức ), mã VNI ( rất thông dụng và quen thuộc với mọi người ), mã Bách
Khoa TPHCM ( được nhiều người thích vì có các font chữ đẹp ) và bộ mã
VietWare. Cũng cần nói thêm, mỗi một bộ mã chữ Việt sẽ gồm có nhiều font chữ
khác nhau dùng cho bộ mã đó. Các font chữ của những bộ mã khác nhau thì luôn
luôn có tên khác nhau, thí dụ các font chữ của bộ mã VNI luôn có tên bắt đầu
bằng VNI, các font chữ của TCVN3 thì luôn có tên bắt đầu bằng .Vn, ... Nhờ có
nguyên tắc này nên dựa vào tên của font chữ có thể biết được font chữ đó thuộc
bộ mã nào.
Ngoài các bộ mã nói trên, do người Việt soạn và áp dụng, còn có bộ mã
Unicode, là một bộ mã đa ngôn ngữ do một tổ chức quốc tế mang tên Unicode
Consortium soạn dùng cho các nước trên thế giới.
Ngoại trừ mã Unicode, các bộ mã chữ Việt hiện nay có thể được phân làm
hai loại, dựa vào số byte được dùng để mã hóa một mẫu tự chữ Việt là một hay
hai byte.
a) Bảng mã 1 byte : các bộ mã thuộc loại này dùng 1 byte để biểu diễn một
chữ cái có dấu trong tiếng Việt. Trong tiếng Việt, số ký tự có dấu cần mã hóa là
134 ký tự ( gồm 67 ký tự chữ thường và 67 ký tự chữ in hoa ). Do đó, trong phạm
vi giới hạn 256 ký tự của bộ mã ASCII mở rộng, thì việc dành ra thêm 134 ký tự (

ngoài những ký tự không dấu sẵn có và các ký tự đặc biệt đã được quy định trước

Luận án tốt nghiệp cao học - Trương Ngọc Tuaán

4


Chương 2 . Những vấn đề nghiên cứu có liên quan.

) để mã hóa các mẫu tự có dấu trong chữ Việt đòi hỏi phải hy sinh một số ký tự
điều khiển.
Vì vậy, trong các bộ mã thuộc loại này (ngoại trừ bộ mã Bách khoa HCM1)
thường thì mẫu tự in hoa và mẫu tự thường có chung một mã, và khi đó phải dùng
hai font khác nhau để biểu diễn các mẫu tự thường và mẫu tự in hoa. Đó là
trường hợp của các bộ mã TCVN3, VietwareF ... Đây là một khó khăn cho việc
chuyển mã từ một bộ mã 1 byte sang một bộ mã 2 byte.
b) Bảng mã 2 byte : các bộ mã thuộc loại này không nhất thiết dùng đúng 1
byte để biểu diễn một ký tự chữ Việt, mà tùy thuộc vào từng ký tự chữ Việt, số
byte dùng để mã hóa có thể là một hoặc hai. Các bộ mã thông dụng thuộc loại
này có thể kể là BKHCM2, VNI, VietwareX ... Vì có thể sử dụng hai byte để mã
hóa, nên các bộ mã thuộc loại này không bị khuyết điểm như loại 1 byte nói trên,
tức là, mỗi một mẫu tự đều có hai mã khác nhau ứng với dạng chữ thường và
dạng chữ hoa.
c) Bảng mã Unicode ( viết tắt từ Unification Code ): Vào đầu những năm
80, trên thến giới có hai tổ chức đồng thời thực hiện hai dự án khác nhau nhưng
cùng chung một mục đích là xây dựng một bộ mã đa ngôn ngữ dùng chung cho cả
thế giới. Một trong hai tổ chức đó là ISO ( International Standardization
Organization ) của Châu Âu, và tổ chức thứ hai là Unicode Consortium của Mỹ.
Bộ mã của ISO xây dựng có tên là Universal Character Set (UCS), còn bộ
mã của Mỹ xây dựng có tên là Unicode. Ban đầu, Unicode là đề án của chỉ hai

công ty Xerox và IBM. Đến năm 1991, nhiều công ty hàng đầu của Mỹ như
Microsoft, IBM, Xerox, Apple, Oracle, Sun và Netscape, tham gia đề án và
thành lập tổ chức Unicode Consortium để quản lý đề án.
Cũng trong năm đó, Unicode Consortium và ISO đồng ý hợp nhất với
nhau để cùng xây dựng một bộ mã chung cho cả thế giới. Mặc dù vậy, hai bộ mã
UCS và Unicode vẫn cùng tồn tại nhưng chúng hoàn toàn tương thích với nhau
(mã của các ký tự và tên của chúng trong hai bộ mã đều giống nhau).
Tài liệu do Unicode Consortium phát hành về bộ mã Unicode có tên là
Unicode Standard, trong khi đó ISO phát hành bộ ISO 10646 quy định những
chuẩn về bộ mã UCS. Trước đó, ISO cũng đã ban hành bộ chuẩn ISO 8859 mà
đến nay vẫn còn sử dụng.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

5


Chương 2 . Những vấn đề nghiên cứu có liên quan.

Bộ mã Unicode sử dụng 4 byte (đúng hơn là 31 bit) để mã hóa các ký tự,
do đó khả năng biểu diễn của mã Unicode rất lớn. Hiện nay, Unicode có thể biểu
diễn cả các ký tự trong tiếng Ả rập, Thái Lan, Nhật Bản, Hàn Quốc, Trung Hoa
... và có cả các ký hiệu toán học và các ký hiệu thường dùng khác.
Bộ chuẩn ISO 10646-1 được đưa ra năm 1993 (tương thích với chuẩn
Unicode 1.1) quy định các ký tự thuộc phạm vi 16 bit đầu hay còn gọi là Basic
Multilangual Plane (BMP – hay Plane 0). Các ký tự trong bộ mã ASCII được xếp
trong khoảng 0x0000 đến 0x007F như đã mô tả trong chuẩn ISO 646 IRV. Phạm
vi rộng hơn, từ 0x0000 đến 0x00FF được mô tả trong ISO 8859-1 (nhóm La tinh
1). Chuẩn ISO 10646-2 được đưa ra năm 2001 (tương ứng với chuẩn Unicode
4.0), quy định thêm một số ký tự nằm ngoài BMP, tất cả bao gồm 96382 ký tự

[12]. Các ký tự mới vẫn tiếp tục được thêm vào nhưng không làm thay đổi các ký
tự đã có.
Trong bộ mã Unicode hiện nay có quy định những ký tự dấu, là những ký
tự phải kết hợp với một ký tự nào đó để tạo thành một ký tự có dấu ( bản thân ký
tự dấu không chiếm một vị trí khi in ). Đồng thời, Unicode cũng có quy định sẵn
các ký tự có dấu. Việc quy định các ký tự dấu nhằm tạo sự linh động cho việc sử
dụng các ký tự có dấu. Nhưng vì trong các chuẩn trước đây ( như ISO 8859-1 )
không có quy định các ký tự dấu, nên những chuẩn Unicode sau này vẫn phải quy
định các ký tự có dấu để tương thích với các chuẩn trước đây. Do đó, có nhiều
cách để biểu diễn một ký tự có dấu trong Unicode.
Một vấn đề khác là vấn đề biểu diễn ký tự Unicode. Từ trước đến nay,
nhiều cách đã được đưa ra để biểu diễn một ký tự Unicode như UCS-2, UCS-4,
UTF-8, UTF-16, UTF-32. Theo cách biểu diễn UCS-2, một ký tự được biểu diễn
bởi 2 byte. Do đó, để biểu diễn các ký tự ASCII chỉ cần thêm một byte 0x00 phía
trước mỗi ký tự. Tương tự, theo cách biểu diễn UCS-4, mỗi ký tự được biểu diễn
bởi 4 ký tự, vì vậy để biểu diễn các ký tự ASCII chỉ cần thêm ba byte 0x00 phía
trước mỗi ký tự.
Tuy nhiên, hai cách biểu diễn UCS-2 và UCS-4 gây ra nhiều trở ngại khi
dùng trong môi trường Unix, Linux. Vấn đề gặp phải là các ký tự biểu diễn theo
cách này thường bao gồm các chuỗi ký tự \0 hay / như là một phần trong chuỗi
biểu diễn của ký tự, do đó thường gây ra nhầm lẫn vì \0 và / mang ý nghóa đặc
biệt trong các tên file hoặc trong các tham số của các hàm thư viện trong C [10].

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

6


Chương 2 . Những vấn đề nghiên cứu có liên quan.

Vì vậy, cách biểu diễn UTF-8 (UCS Transformation Format hay Unicode
Transformation Format) được đưa ra để thay thế cách biểu diễn UCS-2 và UCS-4
trong các hệ Unix, Linux. Hơn nữa, cách biểu diễn UTF-8 là một song ánh 1-1
nên khi chuyển đổi ngược lại từ UTF-8 sang mã Unicode không làm sai lệch dữ
liệu.
Theo cách biểu diễn UTF-8, mỗi ký tự được biểu diễn bởi một chuỗi từ
một đến sáu byte, số byte biểu diễn tùy thuộc vào giá trị mã của ký tự, như mô tả
trong bảng 2.1 dưới đây [10]:
Giá trị mã của ký tự
trong bộ mã Unicode
0x00000000 – 0x0000007F
0x00000080 – 0x000007FF
0x00000800 – 0x0000FFFF
0x00010000 – 0x001FFFFF
0x00200000 – 0x03FFFFFF
0x04000000 – 0x7FFFFFFF

Các byte biểu diễn

0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
10xxxxxx

Baûng 2.1. Cách biểu diễn ký tự Unicode dạng UTF-8.

Cột bên trái là các khoảng giá trị mà ký tự có mã thuộc khoảng giá trị nào

thì sẽ được biểu diễn bởi chuỗi byte có dạng như trong cột bên phải ở hàng tương
ứng. Theo đó, một ký tự trong bộ mã ASCII sẽ được biểu diễn bởi 1 byte mà bit
lớn nhất (most significant bit) có giá trị là 0, và 7 bit sau chính là giá trị nhị phân
của mã ký tự đó trong ASCII.
Các ký tự khác có giá trị lớn hơn 0x0000007F thì sẽ được biểu diễn bởi
một chuỗi gồm từ 2 đến 6 byte, tùy theo giá trị mã của chúng, với byte lớn nhất
(byte đầu tiên) luôn bắt đầu bởi một chuỗi bit mang giá trị 1 theo sau là một bit
mang giá trị 0, và các byte còn lại luôn bắt đầu bởi một bit mang giá trị 1 theo
sau là một bit mang giá trị 0.
Số các bit đầu mang giá trị 1 trong byte đầu tiên của chuỗi cho biết chuỗi
byte biểu diễn của ký tự gồm bao nhiêu byte. Và các dấu x trong chuỗi byte khi
nối lại với nhau, theo thứ tự, sẽ chính là giá trị nhị phân của mã Unicode của ký
tự.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

7


Chương 2 . Những vấn đề nghiên cứu có liên quan.

Thí dụ : dấu <> (không bằng) có mã Unicode là 2260, dạng nhị phân là
0010 0010 0110 0000, sẽ được biểu diễn theo dạng UTF-8 là một chuỗi 3 byte
11100010 10001001 10100000, tức là 0xE2 0x89 0xA0.
Thuận lợi khi dùng mã Unicode là các chữ cái tiếng Việt đã được đưa vào
bộ mã Unicode trong nhóm La tinh 1 và được Microsoft hỗ trợ trong các phiên
bản Windows kể từ Win98 về sau, và các phiên bản Internet Explorer 5 về sau.
Vi vậy, dùng browser Internet Explorer 5 trở lên trong môi trường Windows 98,
hoặc mới hơn, thì không cần cài đặt thêm font gì mà vẫn xem được đúng chữ
Việt.

Đối với Netscape Navigator thì Unicode được xem là dạng dữ liệu mặc
nhiên dùng cho những xử lý bên trong chương trình, dữ liệu bên ngoài sẽ được
chuyển sang dạng này để xử lý rồi sau đó lại được chuyển trở lại dạng ban đầu
để kết xuất.
2.2. Mô tả sơ lược về ngôn ngữ HTML và XML.
HTML ( viết tắt từ HyperText Markup Language ) là ngôn ngữ cơ bản và
phổ thông nhất, hiện được dùng trong hầu hết các trang web trên Internet, và
chính HTML là phương tiện thuận tiện để liên kết các trang web với nhau, mà
khi xem, người duyệt web có thể chuyển từ trang web này sang trang web khác
mà không cần quan tâm đến địa chỉ của các trang web đến từ đâu.
Nền tảng của HTML là SGML (Standard Generalized Markup Language)
là một ngôn ngữ markup tổng quát hóa, hay nói cách khác đó là một tập hợp các
chuẩn để phát triển các ngôn ngữ dạng markup.
HTML là một ngôn ngữ khá dễ sử dụng, nhờ vào cấu trúc cú pháp đơn giản
và dễ hiểu. Tập lệnh HTML không có những lệnh điều khiển, tính toán hay xử lý
dữ liệu. Ngoài một số lệnh để tạo menu dạng danh sách, còn lại hầu hết là những
lệnh cho hiển thị văn bản, hình ảnh và cách thức bố trí, hiển thị chúng trên màn
hình.
Các câu lệnh trong HTML thường được gọi là những thẻ (tag) và cấu trúc
các thẻ luôn được bắt đầu bằng một thẻ mở có dạng <tên thẻ>, và kết thúc bằng
một thẻ đóng có dạng </tên thẻ> ( mặc dù vậy, đối với một số thẻ, để cho đơn
giản, việc không khai báo thẻ đóng vẫn được coi là hợp lệ ). Đây là một yếu tố

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

8


Chương 2 . Những vấn đề nghiên cứu có liên quan.

quan trọng giúp cho các trình browser trong việc phân tích cú pháp các trang web
HTML.
Về cú pháp, các câu lệnh HTML luôn có cấu trúc khối. Trong một trang
HTML, các câu lệnh luôn được đặt trong một khối bao bọc bởi hai thẻ <html> và
</html>. Bên trong khối <html>-</html> này lại bao gồm hai khối <head></head> và <body>-</body>. Đây là hai khối bắt buộc phải có trong bất kỳ trang
html nào. Phần head của trang web cung cấp những thông tin ban đầu về trang
web đó, trong khi đó phần body của trang web chứa nội dung thực sự của trang
web. Những gì sẽ hiển thị trên trang web được mô tả trong phần body. Phần văn
bản nằm trong khối body, và không nằm trong khối nào khác, sẽ được hiển thị
trên trang web. Nhưng để có thể điều chỉnh font, màu và cỡ chữ của nội dung văn
bản, HTML có quy định một số thẻ chỉnh dạng như <style>, <font> nằm trong
khối body, và phần văn bản nằm trong các khối style và font (trong khối body)
cũng sẽ được hiển thị trên trang web.
Trong phần head của một trang HTML, có thể có những thẻ như thẻ
<meta>, thẻ <style>, thẻ <font> và thẻ <title>.
Thẻ <meta> thường dùng để khai báo về format của trang, trong đó có hai
thuộc tính thường được dùng là content và charset. Thuộc tính content cho biết
trang HTML được tạo ra bằng chương trình nào, thuộc thể loại nào (text/html,
text/css, xml ...), và thuộc tính charset cho biết bảng mã sử dụng là bảng mã nào.
Thông thường, các trang HTML có dạng text/html. Một số trang chỉ dùng
để chứa những thông tin định dạng cho các trang web khác thì có dạng text/css.
Một số trang khác được viết bằng XML, một dạng mở rộng của HTML, thì sẽ
được khai báo là xml. Đối với option charset, các giá trị thường gặp là userdefined (người xem sẽ tự chọn một bộ mã thích hợp qua các setting của browser),
ISO-8859-1 (các ký tự thuộc nhóm latinh 1), và UTF-8 (mã Unicode).
Thẻ <style> và thẻ <font> cung cấp những thông tin về hình thức của các
dòng văn bản sẽ hiển thị trên trang web, như font chữ, cỡ chữ, màu, in nghiêng,
in đậm, gạch dưới .... Trong HTML, chúng ta có hai cách để chỉnh dạng các câu
văn bản là dùng thẻ <style> hoặc thẻ <font>. Nhưng thẻ <style> có những thuộc
tính có thể dùng cho các đối tượng khác (như hình ảnh) chứ không chỉ dùng cho
văn bản, còn thẻ <font> chỉ có thể áp dụng cho văn bản. Ngoài ra, thẻ <style>

còn có thể dùng trong các tập tin .css, để dùng chung cho nhiều trang web, và

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

9


Chương 2 . Những vấn đề nghiên cứu có liên quan.

nhờ vậy các trang web của cùng một web site sẽ có hình thức giống nhau và khi
muốn thay đổi hình thức của chúng thì người soạn không cần phải sửa đổi từng
trang web trên web site mà chỉ cần thay đổi tập tin .css.
Thẻ <style> và <font> đều có thể khai báo trong head hay trong body,
nhưng nếu khai báo trong <head> sẽ có tác dụng cho toàn trang web, còn nếu
khai báo trong body thì chỉ có tác dụng cho đoạn văn bản nằm trong khối của thẻ.
Các thuộc tính thường dùng trong thẻ <style> là font-family, font-face, fontcolor, font-size để xác định font chữ, màu và cỡ chữ. Các thuộc tính thường dùng
cho thẻ font là face, color và size.
Thẻ <font> cũng khác với thẻ <style> trong cách khai báo các thuộc tính.
Các thuộc tính của thẻ <style> được đặt trong một thẻ <option> ngay sau thẻ
<style>, còn các thuộc tính của thẻ <font> được đặt ngay trong thẻ <font>. Điều
này có ý nghóa đặc biệt khi chúng ta phải phân tích cú pháp của hai loại thẻ này
để tìm xem font chữ được sử dụng là font gì.
Thẻ <title> được dùng để khai báo tên tiêu đề của trang web. Tiêu đề của
trang web sẽ là tiêu đề của cửa sổ hiển thị trang web.
Trong khối head, chúng ta sẽ đặc biệt quan tâm đến thẻ <meta>, thẻ
<style> và thẻ <font>.
Trong khối body của trang web thường có những thẻ như <frame>, <list>,
<LI>, <TD>, <TR>, <A>, <H1>, <H2>, ...,<H6>, <IMG>, <style>, <font> ...
Trong đó, thẻ <frame> dùng để chia trang web ra nhiều phần, mỗi phần là một
trang web riêng biệt; thẻ <list> và <LI> dùng để tạo menu dạng danh sách; thẻ

<TD> và <TR> dùng để tạo bảng trong trang web; thẻ <A> dùng để tạo một liên
kết đến một trang web khác; <H1>,...,<H6> để tạo ra 6 cấp tiêu đề; thẻ <img>
dùng để đưa hình ảnh vào trang web; thẻ <style> và <font> dùng để chỉnh dạng
một đoạn văn bản.
Trong đề tài này, chúng ta chỉ cần quan tâm đến các thẻ tạo văn bản trong
trang web và các thẻ chỉnh dạng văn bản.
Ngoài những trang web viết bằng ngôn ngữ HTML, một số trang web khác
được viết bằng XML ( Extended Markup Language ), là một dạng mở rộng của
HTML. XML thực ra là một tập con của SGML [4]. Cấu trúc và cú pháp của

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

10


Chương 2 . Những vấn đề nghiên cứu có liên quan.

XML cũng gần giống như HTML, trong đó tên các thẻ là có thể tùy tiện do người
viết đặt ra và định nghóa, khác với trong HTML, tên các thẻ đã được định nghóa
sẵn và không thể thay đổi hay bổ sung. Và bởi vì các tên thẻ do người lập trình
đặt ra nên một trang XML thường có kèm theo một tập tin .DTD ( Data Type
Definition ) để định nghóa các thẻ, và một tập tin .CSS ( Cascade Style Sheet ).
Nói chung, XML cũng tương tự như một ngôn ngữ macro trên HTML.
Một dạng đặc biệt của XML là XUL ( XML-based User Interface
Language ) là một ngôn ngữ cho phép người lập trình thay đổi giao diện của trình
duyệt [9]. Ngôn ngữ này do hãng Netscape phát triển, và do đó các trình duyệt
Nescape Navigator, hay Mozilla đều hỗ trợ ngôn ngữ này. Vì vậy, đây là một
phương tiện mạnh và rất thuận tiện cho người lập trình.
Nhiều nhà lập trình đã bỏ nhiều công sức để viết những ứng dụng trên web
tích hợp vào browser bằng cách dùng DHTML, nhưng công việc trở nên phức tạp

và kết quả đạt được cũng không mang tính portable. Trong khi đó, công việc sẽ
trở nên dễ dàng và kết quả cũng mang tính khả chuyển nếu dùng XUL để thay
thế DHTML [9].
Vì vậy, ưu điểm của XUL là có khả năng tạo một giao diện mới cho
browser bằng cách sửa đổi hay thêm bớt các control trên browser, thuận lợi cho
việc đặc thù hóa trình duyệt cho phù hợp với những yêu cầu riêng, hay trong việc
xây dựng các ứng dụng tích hợp vào trình duyệt. Hơn nữa, kết quả lại có thể sử
dụng trong nhiều môi trường hệ điều hành.

như :

Ngoài ra, XUL cũng được hổ trợ bởi nhiều công nghệ khác trong Mozilla

- XBL (Extensible Bindings Language) : là một ngôn ngữ markup, cho
phép người lập trình định nghóa những control riêng sử dụng trong XUL.
- Overlays : là cơ chế nạp chồng cho phép người lập trình có thể nạp
chồng các tập tin overlays chứa các thông tin về giao diện của browser. Overlays
có thể được dùng để thay đổi một phần giao diện mà không cần định nghóa lại
những gì đã có sẵn.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

11


Chương 2 . Những vấn đề nghiên cứu có liên quan.

- XPCOM (Cross Platform Component Object Model): là những mun
viết bằng C, C++ hay Javascript, có tính khả chuyển (portable). XPCOM cho
phép tích hợp các thư viện ngoại trú vào các ứng dụng XUL.

Trong Mozilla, hầu hết các menu, cửa sổ, hộp thoại giao tiếp với người sử
dụng đều được thực hiện bằng XUL với cơ chế Overlays. Bằng cách này người
lập trình chỉ cần tạo những tập tin overlays chứa những thông tin cần thiết để cấu
hình lại browser, sau đó khai báo tập tin này bằng dòng lệnh như sau :
<?xul-overlay href=”...”?>
Trong ngôn ngữ XUL có 4 nguyên tắc về cú pháp cần tôn trọng là : [9]
• các sự kiện (event) và các thuộc tính luôn được viết bằng chữ thường
• các thẻ khai báo các đối tượng trên giao diện ( menu các loại ) đều phải
kết thúc bằng một thẻ đóng </tên thẻ>
• hằng chuỗi phải được đặt trong dấu nháy kép
• tất cả các thuộc tính trong một thẻ đều phải được gán trị
Khả năng của XUL cho phép người lập trình có thể tạo thêm hay điều
chỉnh các cửa sổ, hộp, nút, và menu các loại, trên giao diện của browser. Tuy
nhiên, trong đề tài này chúng ta chỉ sử dụng XUL để tạo thêm một menu pop-up
trên thanh menubar.
Để tạo thêm một menu pop-up trên thanh menubar của browser, trong
phần sau chúng ta sẽ sử dụng 3 thẻ <menu>, <menupopup> và <menuitem>, kết
hợp với các đoạn Javascript để xây dựng những hành động kèm theo khi một
option được chọn.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

12


Chương 3. Phân tích và tìm hiểu mã nguồn Mozilla.

III. Phân tích và tìm hiểu mã nguồn Mozilla.

Với nội dung của luận án như đã trình bày trong chương đầu, hướng giải

quyết của chúng ta là dựa vào mã nguồn mở hiện có của trình duyệt web
Mozilla, và bổ sung thêm chức năng tự động phát hiện những đoạn văn tiếng Việt
trong trang web, sau đó xác định bộ mã tiếng Việt mà đoạn văn bản trên sử dụng,
và tự động chuyển mã cho đoạn văn này sang Unicode để Mozilla có thể hiển thị
đúng nội dung chữ Việt.
Do đó, bước đầu tiên chúng ta cần phải tìm hiểu, phân tích mã nguồn
Mozilla để nắm được cơ chế hoạt động cụ thể của trình duyệt, đặc biệt là cơ chế
hoạt động của bộ phân tích và giải mã ( parser ) của trình duyệt, nhằm có thể xác
định được chúng ta cần đưa thêm những chức năng mới vào đâu trong bộ mã
nguồn cho thích hợp nhất mà không làm ảnh hưởng đến toàn bộ các chức năng
khác của Mozilla.
Mã nguồn được chọn để sử dụng trong luận án này là mã nguồn Mozilla0.9.8 được download từ web site www.mozilla.org trên Internet, đây là phiên bản
mới nhất vào thời điểm luận văn này bắt đầu được thực hiện. Phiên bản mới nhất
của mã nguồn Mozilla trên Internet hiện nay có thể đã lên đến hơn 1.3.1. Tuy
nhiên, về mặt ý tưởng thì mã nguồn Mozilla-0.9.8 và Mozilla-1.3.1 cũng không
khác nhau là mấy.
3.1 Tìm hiểu về cơ chế hoạt động của Mozilla.
Trước tiên, chúng ta sẽ tìm hiểu phần cấu trúc hạ tầng của Mozilla. Những
bộ phận nền tảng của Mozilla có thể kể là XPCOM (Cross Platform Component
Object Model), XPConnect và XPFE (Cross Platform Front End, hay còn gọi là
XPTool Kit). Chúng ta sẽ đề cập đến XPCOM và XPConnect trước, vì tầm quan
trọng của chúng. Hơn nữa, vì hai thành phần này có quan hệ rất khắng khít với
nhau nên ta sẽ không tách ra hai phần riêng để nói về hai thành phần này.
Mozilla là một dự án mở rộng ở tầm cỡ khá lớn, được đặt dưới sự quản lý
của môt tổ chức cũng có tên là Mozilla (Mozilla vừa là tên của dự án, vừa là tên
của tổ chức quản lý dự án) với địa chỉ trên Internet là www.mozilla.org. Mục

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

14

Chương 3. Phân tích và tìm hiểu mã nguồn Mozilla.

đích của dự án này là xây dựng một trình duyệt web có thể chạy trên mọi môi
trường hệ điều hành. Mã nguồn Mozilla chính là nền tảng để xây dựng nên
browser Netscape Navigator. Bắt đầu vào đầu năm 1998, hãng Netscape đã đưa
bộ mã nguồn của Netscape Navigator lên mạng và từ đó, trở thành một mã nguồn
mở dưới sự quản lý của tổ chức Mozilla. Mã nguồn Mozilla bao gồm hàng triệu
câu lệnh do nhiều người viết, vì vậy xâm nhập vào cũng như quản lý mã nguồn
Mozilla khó có thể tránh khỏi sai sót. Chính vì thế, bản thân Mozilla chưa phải là
một sản phẩm hoàn hảo. Mã nguồn Mozilla vẫn còn có lỗi, và đang tiếp tục được
sửa đổi, bổ sung để hoàn thiện. Một số mô đun trong Mozilla hiện nay đã lỗi thời
và không còn được sử dụng.
Toàn bộ mã nguồn Mozilla được viết trên tinh thần độc lập môi trường,
theo hướng đối tượng và được thiết kế để chạy trên máy khách (client). Ngôn ngữ
lập trình được dùng chủ yếu trong Mozilla là C và C++. Một số ít chương trình
được viết bằng Javascript và XUL.
Mặc dù, C và C++ là ngôn ngữ lập trình biên dịch (compiled) trong khi
Javascript là ngôn ngữ lập trình phiên dịch (interpreted), nhưng Mozilla lại được
thiết kế theo hướng kết hợp C++ và Jacascript để chạy lúc runtime nhờ vào một
thành phần môđun (modular component) của Mozilla có tên là XPConnect. Khi
Mozilla được khởi động, bộ phận lõi viết bằng C/C++ sẽ được chạy trước. Sau đó,
XPConnect được kích hoạt và cho phép các script JavaScript có thể chạy lúc
runtime. XPConnect đảm nhận công việc trao đổi thông tin giữa C/C++ và
Javascript.
Cũng cần nói thêm rằng, các script JacaScript khi chạy không thể truy xuất
đến các đối tượng bên trong của Mozilla, ngoại trừ những đối tượng nằm trong
DOM ( Document Object Model). Hầu hết các script JavaScript được dùng để
viết các chương trình con liên kết với các event trong giao diện với người sử

dụng. Các chương trình con này sẽ được kích hoạt khi có một tác động nào đó của
người sử dụng lên các control của browser.
Mã nguồn Mozilla được viết tuân theo những ràng buộc của kỹ thuật lập
trình hướng đối tượng (Object Oriented Programming). Do đó, Mozilla được viết
theo từng thành phần mô đun (modular component), trong đó quyền truy cập đến
các biến được phân định rõ ràng tùy theo chúng được khai báo public, protected
hay private. Chỉ có các biến được khai báo là public của một lớp mới có thể được

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

15


Chương 3. Phân tích và tìm hiểu mã nguồn Mozilla.

truy xuất từ các hàm trong các lớp khác, còn các biến được khai báo là protected
thì chỉ có thể truy xuất qua các hàm member của chính lớp đó mà thôi.
Hơn thế nữa, các hàm hoặc biến trong mỗi component chỉ có thể truy xuất
bởi các hàm bên ngoài component đó thông qua các giao diện (interfaces) theo
cơ chế COM (Component Object Model). Mỗi một component thường có thể
được giao tiếp bằng nhiều giao diện, và các giao diện đều được xây dựng dựa
trên một giao diện cơ sở có tên là nsISupport.
Mô hình COM trong Mozilla có tên là XPCOM (Cross Platform
Component Object Model) vì nó có tính độc lập môi trường. XPCOM có thể được
xem là bộ khung để phát triển các ứng dụng đa môi trường. XPCOM sử dụng một
tập hợp các thư viện, trong số đó, những thư viện cần thiết, tại từng thời điểm, sẽ
được load vào bộ nhớ để quản lý các component.
XPCOM dựa vào các giao diện để quản lý các component, và công việc
này được giao cho một môđun có tên là XPCOMManager. Chức năng của
XPCOM là xác định xem ứng với mỗi component sẽ có những giao diện nào, và

thực hiện việc chuyển đổi từ giao diện này sang giao diện khác khi cần thiết.
XPCOM chính là nền tảng của Mozilla vì chính XPCOM là chất keo dính
liên kết các component trong Mozilla. Hay nói cách khác, Mozilla là một ứng
dụng viết trên XPCOM. Và XPConnect có thể xem là một lớp bên trên của
XPCOM, có chức năng trao đổi thông tin giữa các component viết bằng C/C++
và JavaScript engine dựa vào các tập tin type library mô tả các giao diện (được
tạo ra bởi compiler XPIDL).
XPCOM có nguồn gốc từ CORBA, là một môi trường, được xây dựng bởi
nhóm OMG (Object Management Group), trong đó có áp dụng mô hình COM và
sử dụng ngôn ngữ định nghóa giao diện IDL.
Các môi trường mà XPCOM hỗ trợ bao gồm : Microsoft Windows (mọi
phiên bản), Linux, HP-UX, AIX, Solaris, OpenVMS, MacOS và BSD. Hiện nay,
một số ứng dụng đã được xây dựng để chạy trên XPCOM có thể kể là Komodo,
Chatzilla, MozInvaders (game), Xultris (game), Jabberzilla, Netscape Navigator
và Mozilla.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

16


Chương 3. Phân tích và tìm hiểu mã nguồn Mozilla.

Nhờ có XPConnect nên các component trong XPCOM có thể được viết
hoàn toàn bằng Javascript, và một môđun viết bằng C++ vẫn có thể gọi đến một
component viết bằng JS, và ngược lại [18].
XPConnect thực hiện công việc trên nhờ vào hai môđun là JS2CPPProxy
và CPP2JSProxy [18]. JS2CPPProxy cho phép một chỉ thị Javascript truy cập đến
một đối tượng C++ XPCOM. Công việc của JS2CPPProxy là dựa vào những giao
diện của Javascript, chỉnh dạng các tham số trong các method của giao diện và

chuyển chỉ thị gọi đến các đối tượng C++ XPCOM. Công việc của đối tượng
CPP2JSProxy cũng tương tự như vậy, nhưng ngược lại, CPP2JSProxy đảm nhận
việc “bao bọc” các đối tượng Javascript lại để tương thích với các lệnh gọi từ
C++. Để viết code cho hai môđun nói trên, một vài chỗ cũng cần phải dùng đến
ngôn ngữ assembler.
Bên cạnh XPConnect còn có những XPJS component, là những môđun
trong XPCOM, đảm nhận việc khởi tạo và đăng ký cho các đối tượng Javascript.
Đây là một công việc hạ tầng cơ sở được thực hiện một cách độc lập, không phụ
thuộc vào nội dung của trang web.
Các XPJS component được chứa trong các tập tin .js, và trong mỗi
component này đều có định nghóa 4 hàm đặc biệt là NSRegisterSelf,
NSGetFactory, NSUnregisterSelf và NSCanUnload [20]. Mỗi một tập tin .js đảm
nhận việc hiện thực cho một hoặc nhiều component JavaScript. Các tập tin .js
này được load và đăng ký dưới sự quản lý và trợ giúp của một môđun có tên là
XPJSManager, hoạt động như một đơn vị trung gian giữa XPCOMManager và
JavaScript engine.
Quá trình tự động đăng ký của một XPJS component được diễn ra như
sau. Đầu tiên, XPJSManager load tập tin .js vào một môi trường JS, và cho chạy
script ở level cao nhất để thực hiện những gì mà một quá trình khởi động yêu
cầu. Sau đó, XPJS sê gọi hàm NSRegisterSelf với tham số là tên tập tin .js. Tiếp
theo, component này sẽ gọi những method trong bản thân nó để đăng ký với
XPJSManager và trở thành một factory của một hoặc nhiều lớp. Khi đó,
XPJSManager sẽ lưu thông tin vào bảng đối chiếu giữa các classid và tên các tập
tin .js.

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

17

Chương 3. Phân tích và tìm hiểu mã nguồn Mozilla.

Từ khi đó, nếu có một yêu cầu tạo một đối tượng thuộc một lớp nào đó, thì
hàm NSGetFactory trong XPJSManager sẽ được gọi, hàm này sẽ tra tìm classid
của lớp được yêu cầu để biết được tên tập tin .js tương ứng và load tập tin này
vào bộ nhớ (nếu như trước đó chưa có trong bộ nhớ). Tiếp theo, XPJSManager sẽ
gọi hàm NSGetFactory trong lớp đó. Hàm này sẽ trả về một đối tượng JavaScript
và XPConnect sẽ chuyển đối tượng này thành một đối tượng XPCOM.
Nếu so sánh XPCOM và Microsoft COM, chúng ta thấy có một số điểm
giống nhau. Cốt lõi của mô hình COM chính là khái niệm về giao diện. Việc sử
dụng các giao diện đã mang đến cho hệ thống một sự linh động, mềm dẻo, bởi vì
phần hiện thực của một component có thể tự do thay đổi khi cần thiết mà không
gây ảnh hưởng cho cả hệ thống. ( Trong giai đoạn ban đầu của XPCOM, việc
thay đổi trong phần định nghóa của giao diện vẫn thường xảy ra. Tuy nhiên, khi
đến giai đoạn chín chắn thì các giao diện cần được giữ cố định. Hiện nay, những
giao diện nào được ghi chú thích @status FROZEN trong tập tin .idl thì sẽ không
được phép thay đổi ).
Các giao diện trong cả hai mô hình Microsoft COM và XPCOM đều được
xây dựng dựa trên một giao diện cơ sở, là nsISupports trong XPCOM và
IUnknown trong Microsoft COM. Trong giao diện này có định nghóa 3 hàm thành
viên cơ bản là : QueryInterface(), AddRef(), và Release() [13] [14].
Hàm QueryInterface() dùng để gọi đến một giao diện để cung cấp phần
hiện thực của một đối tượng, giá trị trả về là một con trỏ chỉ đến một giao diện.
AddRef() dùng để theo dõi số các tham chiếu đến một đối tượng. Release() dùng
để giải phóng bộ nhớ cho biến con trỏ trả về từ hàm QueryInterface().
Để tham chiếu đến một giao diện trong XPCOM, có thể dùng hai cách :
dùng UUID của giao diện, hoặc dùng contract ID (được gọi là ProgID trong
Microsoft COM). UUID (Universally Unique Identifier), mã nhận dạng của một
giao diện, là một chuỗi ký tự gồm 16 byte. Và contract ID là một chuỗi ký tự có
dạng:

@<internetdomain>/module[/submodule[...]];<version>
[?<name>=<value>[&<name>=<value>[...]]]
Trong một giao diện, ngoài những hàm và dữ liệu thành viên, còn có thể
có những thuộc tính (attribute), và những thuộc tính này có thể được truy xuất bởi

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

18


Chương 3. Phân tích và tìm hiểu mã nguồn Mozilla.

những script Javascript. Tất nhiên, loại dữ liệu của những thuộc tính này sẽ bị
giới hạn trong phạm vi mà Javascript có thể truy xuất được.
Các giao diện trong XPCOM được định nghóa bởi một ngôn ngữ riêng, hơi
khác với IDL của Microsoft và CORBA, có tên là XPIDL (Cross Platform
Interfaces Definition Language). Chức năng chính của XPIDL là biên dịch các
tập tin .idl thành các tập tin InterfaceInfo (một dạng tương đương với các tập tin
typelib trong MS COM, nhưng có tính độc lập môi trường), trong đó chứa những
bảng mô tả các giao diện, các hàm thành viên và các tham số. Các bảng này
được lập chỉ mục để có thể truy xuất nhanh. Một bảng chính sẽ liên kết các
UUID với địa chỉ offset của tập tin InterfaceInfo tương ứng.
Các tập tin InterfaceInfo có phần tên mở rộng là .xpt, và phần header của
các tập tin này có cấu trúc được mô tả như sau [13]:
TypeLibHeader {
char
magic[16];
uint8
major version;
uint8

minor version;
uint16
num interfaces;
uint32
file_length;
InterfaceDirectoryEntry* interface_directory;
uint8*
data_pool;
Annotation
annotations[];
}

Trong đó, magic gồm 16 ký tự cố định như sau:
(hex) 58 50 43 4f 4d 0a 54 79 70 65 4c 69 62 0d 0a 1a
hay X P C O M \n T y p e L i b \r \n \032

major version, vaø minor version laø mã số version của dạng tập tin. Num
interfaces là số entry có trong vùng nhớ dành cho đối tượng, mỗi entry sẽ ứng với
một giao diện. File_length cho biết chiều dài của tập tin này. Interface_directory
là địa chỉ offset (trong tập tin này) của mảng chứa các mẫu tin
InterfaceDirectoryEntry, địa chỉ này là một bội số của 4. Data_pool là vùng nhớ
chứa dữ liệu như InterfaceDescriptor, MethodDescriptor, ParamDescriptor và
TypeDescriptor. Annotation là vùng chứa những thông tin phụ khác như tên của
tool dùng để tạo ra tập tin, ngày tháng tạo ra . . .

Luận án tốt nghiệp cao học - Trương Ngọc Tuấn

19