An Approach for Characterizing HTML Defects

Abstract

Hypertext Markup Language (HTML) é atualmente utilizado de forma massiva, como forma de fornecer serviços aos utilizadores. Os desenvolvedores Web criam novos sites e atualizam-nos a um ritmo acelerado, enquanto tentam dar suporte ao padrão HTML mais recente. Neste contexto, é comum encontrar páginas Web que, devido a pequenos detalhes, não cumprem os padrões e muitas vezes não são corretamente processadas pelos navegadores. Em simultâneo, os desenvolvedores têm tendência para ignorar a comformidade com os padrões quando as suas páginas Web aparentam estar visualmente de acordo com o esperado, uma vez que os navegadores são bastante tolerantes a falhas. Desvios aos padrões são também inseridos por ferramentas que geram código HTML, tornando os ficheiros por elas produzidos automaticamente em não comformidade. Problemas deste tipo são também gerados por uma variedade de outras fontes. Tendo em conta este ambiente dinâmico e a contínua expansão de diversidade dos navegadores, com atualizações frequentes, o aparecimento esporádico de erros em páginas Web torna-se um problema bastante comum sendo a sua origem, por vezes, difícil de encontrar. Com este projeto, pretendemos decidir sobre um conjunto de características consideradas importantes para uma descrição fiel do HTML disponível online. Obter indicadores representativos dos erros cometidos mais frequentemente pelos desenvolvedores. Determinar uma métrica capaz de representar corretamente a complexidade de um ficheiro HTML. E, por último, criar uma ferramenta que possa ser utilizada para obter informações atualizadas e em larga escala, relativas a todas estas propriedades. A informação disponibilizada pela ferramenta poderia ser utilizada por desenvolvedores de forma a levar à criação de páginas Web mais fiáveis.

Hypertext Markup Language (HTML) is nowadays being massively used as an interface to provide services to users. Web developers are producing new sites and changing them at high pace, while trying to support the latest HTML standards. In this context, it is quite common to find websites that, due to small details, do not comply with the standards and many times fail to be correctly processed by browsers. At the same time, developers also tend to overlook compliance with standards, when their web pages are visually rendered correctly, since current browsers are highly tolerant to mistakes. Errors are also introduced by tools that generate HTML code, making files produced by them automatically non compliant to the standards, as well as from a variety of other sources. Considering this dynamic environment and the increasingly large diversity of browsers, with frequent updates, the sporadic appearance of errors in web pages is a quite common, sometimes severe, hard-to-track problem. In this project, we intended to decide upon a set characteristics deemed important for an accurate portrayal of the HTML available online. To obtain indicators of representative errors made by web developers. To determine a group of metrics capable of representing the complexity of an HTML file. And, finally, to create a tool that will be used to obtain large-scale and up-to-date information regarding all of these properties. The information provided by the tool would then be used by developers to build more reliable websites.