Более продвинутый аналог strip_tags() - Работа с текстом - Интересные решения для программистов - Примеры кода

Работа с текстом → Более продвинутый аналог strip_tags() → PHP

Более продвинутый аналог strip_tags() для корректного вырезания тагов из html кода.
Функция strip_tags(), в зависимости от контекста, может работать не корректно.
Возможности:
- корректно обрабатываются вхождения типа "a < b > c"
- корректно обрабатывается "грязный" html, когда в значениях атрибутов тагов могут встречаться символы < >
- корректно обрабатывается разбитый html
- вырезаются комментарии, скрипты, стили, PHP, Perl, ASP код, MS Word таги, CDATA
- автоматически форматируется текст, если он содержит html код
- защита от подделок типа: "<>fake>script>alert('hi')</</fake>script>"

/**
Более продвинутый аналог strip_tags() для корректного вырезания тагов из html кода.
Функция strip_tags(), в зависимости от контекста, может работать не корректно.
Возможности:
  - корректно обрабатываются вхождения типа "a < b > c"
  - корректно обрабатывается "грязный" html, когда в значениях атрибутов тагов могут встречаться символы < >
  - корректно обрабатывается разбитый html
  - вырезаются комментарии, скрипты, стили, PHP, Perl, ASP код, MS Word таги, CDATA
  - автоматически форматируется текст, если он содержит html код
  - защита от подделок типа: "<>fake>script>alert('hi')</</fake>script>"
 *
 * @param   string  $s
 * @param   array   $allowable_tags     Массив тагов, которые не будут вырезаны
 * @param   bool    $is_format_spaces   Форматировать пробелы и переносы строк?
 *                                      Вид текста на выходе (plain) максимально приближеется виду текста в браузере на входе.
 *                                      Другими словами, грамотно преобразует text/html в text/plain.
 * @param   array   $pair_tags   массив имён парных тагов, которые будут удалены вместе с содержимым
 *                               см. значения по умолчанию
 * @param   array   $para_tags   массив имён парных тагов, которые будут восприниматься как параграфы (если $is_format_spaces = true)
 *                               см. значения по умолчанию
 * @return  string
 *
 * @license  http://creativecommons.org/licenses/by-nc-sa/3.0/
 * @author   Nasibullin Rinat <n a s i b u l l i n  at starlink ru>
 * @charset  ANSI
 * @version  4.0.7
 */
function strip_tags_smart(
    /*string*/ $s,
    array $allowable_tags = null,
    /*boolean*/ $is_format_spaces = true,
    array $pair_tags = array('script', 'style', 'map', 'iframe', 'frameset', 'object', 'applet', 'comment', 'button'),
    array $para_tags = array('p', 'td', 'th', 'li', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'div', 'form', 'title', 'pre', 'textarea')
)
{
    static $_callback_type  = false;
    static $_allowable_tags = array();
    static $_para_tags      = array();
    #регулярное выражение для атрибутов тагов
    #корректно обрабатывает грязный и битый HTML в однобайтовой или UTF-8 кодировке!
    static $re_attrs_fast_safe =  '(?![a-zA-Z\d])  #утверждение, которое следует сразу после тага
                                   #правильные атрибуты
                                   (?>
                                       [^>"\'] 
                                     | (?<=[\=\x20\r\n\t]|\xc2\xa0) "[^"]*"
                                     | (?<=[\=\x20\r\n\t]|\xc2\xa0) \'[^\']*\'
                                   )*
                                   #разбитые атрибуты
                                   [^>]*';

if (is_array($s))
    {
        if ($_callback_type === 'strip_tags')
        {
            $tag = strtolower($s[1]);
            if ($_allowable_tags &&
                (array_key_exists($tag, $_allowable_tags) || array_key_exists('<' . trim(strtolower($s[0]), '< />') . '>', $_allowable_tags))
                ) return $s[0];
            if ($tag == 'br') return "\r\n";
            if ($_para_tags && array_key_exists($tag, $_para_tags)) return "\r\n\r\n";
            return '';
        }
        if ($_callback_type === 'strip_spaces')
        {
            if (substr($s[0], 0, 1) === '<') return $s[0];
            return ' ';
        }
        trigger_error('Unknown callback type "' . $_callback_type . '"!', E_USER_ERROR);
    }

if (($pos = strpos($s, '<')) === false || strpos($s, '>', $pos) === false)  #оптимизация скорости
    {
        #таги не найдены
        return $s;
    }

#непарные таги (открывающие, закрывающие, !DOCTYPE, MS Word namespace)
    $re_tags = '/<[\/\!]? ([a-zA-Z][a-zA-Z\d]* (?>\:[a-zA-Z][a-zA-Z\d]*)?)' . $re_attrs_fast_safe . '>/sx';

$patterns = array(
        '/<([\?\%]) .*? \\1>/sx',     #встроенный PHP, Perl, ASP код
        '/<\!\[CDATA\[ .*? \]\]>/sx', #блоки CDATA
        #'/<\!\[  [\x20\r\n\t]* [a-zA-Z] .*?  \]>/sx',  #:DEPRECATED: MS Word таги типа <![if! vml]>...<![endif]>

'/<\!--.*?-->/s', #комментарии

#MS Word таги типа "<![if! vml]>...<![endif]>",
        #условное выполнение кода для IE типа ""
        #условное выполнение кода для IE типа "<![if expression]> HTML <![endif]>"
        #см. http://www.tigir.com/comments.htm
        '/<\! (?:--)?
              \[
              (?> [^\]"\']  | "[^"]*" | \'[^\']*\' )*
              \]
              (?:--)?
         >/sx',
    );
    if ($pair_tags)
    {
        #парные таги вместе с содержимым:
        foreach ($pair_tags as $k => $v) $pair_tags[$k] = preg_quote($v, '/');
        $patterns[] = '/<((?i:' . implode('|', $pair_tags) . '))' . $re_attrs_fast_safe . '> .*? <\/(?i:\\1)' . $re_attrs_fast_safe . '>/sx';
    }
    #d($patterns);

$i = 0; #защита от зацикливания
    $max = 99;
    while ($i < $max)
    {
        $s2 = preg_replace($patterns, '', $s);
        if ($i == 0)
        {
            $is_html = ($s2 != $s || preg_match($re_tags, $s2));
            if ($is_html)
            {
                if ($is_format_spaces)
                {
                    #В библиотеке PCRE для PHP \s - это любой пробельный символ, а именно класс символов [\x09\x0a\x0c\x0d\x20\xa0] или, по другому, [\t\n\f\r \xa0]
                    #Если \s используется с модификатором /u, то \s трактуется как [\x09\x0a\x0c\x0d\x20]
                    #Браузер не делает различия между пробельными символами,
                    #друг за другом подряд идущие символы воспринимаются как один
                    #$s2 = str_replace(array("\r", "\n", "\t"), ' ', $s2);
                    #$s2 = strtr($s2, "\x09\x0a\x0c\x0d", '    ');
                    $_callback_type = 'strip_spaces';
                    $s2 = preg_replace_callback('/  [\x09\x0a\x0c\x0d] 
                                                  | <((?i:pre|textarea))' . $re_attrs_fast_safe . '>
                                                    . ?
                                                    <\/(?i:\\1)' . $re_attrs_fast_safe . '>
                                                 /sx', __FUNCTION__, $s2);
                    $_callback_type = false;
                }

#массив тагов, которые не будут вырезаны
                if ($allowable_tags) $_allowable_tags = array_flip($allowable_tags);

#парные таги, которые будут восприниматься как параграфы
                if ($para_tags) $_para_tags = array_flip($para_tags);
            }
        }#if

#обработка тагов
        if ($is_html)
        {
            $_callback_type = 'strip_tags';
            $s2 = preg_replace_callback($re_tags, __FUNCTION__, $s2);
            $_callback_type = false;
        }

if ($s === $s2) break;
        $s = $s2; $i  ;
    }#while
    if ($i >= $max) $s = strip_tags($s); #too many cycles for replace...

if ($is_format_spaces /*|| $is_html*/)
    {
        #вырезаем дублирующие пробелы
        $s = preg_replace('/\x20\x20 /s', ' ', trim($s));
        #вырезаем пробелы в начале и в конце строк
        $s = str_replace(array("\r\n\x20", "\x20\r\n"), "\r\n", $s);
        #заменяем 2 и более переносов строк на 2 переноса строк
        $s = preg_replace('/\r\n[\r\n] /s', "\r\n\r\n", $s);
    }
    return $s;
}

equivalent, html, php, strip, tags

KOS_MOS

Nasibullin Rinat

05.06.2008

Cooler-online [Добавлено 04.06.2011 17:30:06]

спасибо. Есть такая проблема. Очень код пригодился.

Меню

Подписка на RSS:

Подпишись на RSS-ленту

Поиск

Облако тегов

	Работа с текстом → Более продвинутый аналог strip_tags() → PHP Более продвинутый аналог strip_tags() для корректного вырезания тагов из html кода. Функция strip_tags(), в зависимости от контекста, может работать не корректно. Возможности: - корректно обрабатываются вхождения типа "a < b > c" - корректно обрабатывается "грязный" html, когда в значениях атрибутов тагов могут встречаться символы < > - корректно обрабатывается разбитый html - вырезаются комментарии, скрипты, стили, PHP, Perl, ASP код, MS Word таги, CDATA - автоматически форматируется текст, если он содержит html код - защита от подделок типа: "<>fake>script>alert('hi')</</fake>script>" /** Более продвинутый аналог strip_tags() для корректного вырезания тагов из html кода. Функция strip_tags(), в зависимости от контекста, может работать не корректно. Возможности: - корректно обрабатываются вхождения типа "a < b > c" - корректно обрабатывается "грязный" html, когда в значениях атрибутов тагов могут встречаться символы < > - корректно обрабатывается разбитый html - вырезаются комментарии, скрипты, стили, PHP, Perl, ASP код, MS Word таги, CDATA - автоматически форматируется текст, если он содержит html код - защита от подделок типа: "<>fake>script>alert('hi')</</fake>script>" * * @param string $s * @param array $allowable_tags Массив тагов, которые не будут вырезаны * @param bool $is_format_spaces Форматировать пробелы и переносы строк? * Вид текста на выходе (plain) максимально приближеется виду текста в браузере на входе. * Другими словами, грамотно преобразует text/html в text/plain. * @param array $pair_tags массив имён парных тагов, которые будут удалены вместе с содержимым * см. значения по умолчанию * @param array $para_tags массив имён парных тагов, которые будут восприниматься как параграфы (если $is_format_spaces = true) * см. значения по умолчанию * @return string * * @license http://creativecommons.org/licenses/by-nc-sa/3.0/ * @author Nasibullin Rinat <n a s i b u l l i n at starlink ru> * @charset ANSI * @version 4.0.7 / function strip_tags_smart( /string/ $s, array $allowable_tags = null, /boolean/ $is_format_spaces = true, array $pair_tags = array('script', 'style', 'map', 'iframe', 'frameset', 'object', 'applet', 'comment', 'button'), array $para_tags = array('p', 'td', 'th', 'li', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'div', 'form', 'title', 'pre', 'textarea') ) { static $_callback_type = false; static $_allowable_tags = array(); static $_para_tags = array(); #регулярное выражение для атрибутов тагов #корректно обрабатывает грязный и битый HTML в однобайтовой или UTF-8 кодировке! static $re_attrs_fast_safe = '(?![a-zA-Z\d]) #утверждение, которое следует сразу после тага #правильные атрибуты (?> [^>"\'] \| (?<=[\=\x20\r\n\t]\|\xc2\xa0) "[^"]" \| (?<=[\=\x20\r\n\t]\|\xc2\xa0) \'[^\']\' ) #разбитые атрибуты [^>]'; if (is_array($s)) { if ($_callback_type === 'strip_tags') { $tag = strtolower($s[1]); if ($_allowable_tags && (array_key_exists($tag, $_allowable_tags) \|\| array_key_exists('<' . trim(strtolower($s[0]), '< />') . '>', $_allowable_tags)) ) return $s[0]; if ($tag == 'br') return "\r\n"; if ($_para_tags && array_key_exists($tag, $_para_tags)) return "\r\n\r\n"; return ''; } if ($_callback_type === 'strip_spaces') { if (substr($s[0], 0, 1) === '<') return $s[0]; return ' '; } trigger_error('Unknown callback type "' . $_callback_type . '"!', E_USER_ERROR); } if (($pos = strpos($s, '<')) === false \|\| strpos($s, '>', $pos) === false) #оптимизация скорости { #таги не найдены return $s; } #непарные таги (открывающие, закрывающие, !DOCTYPE, MS Word namespace) $re_tags = '/<[\/\!]? ([a-zA-Z][a-zA-Z\d] (?>\:[a-zA-Z][a-zA-Z\d])?)' . $re_attrs_fast_safe . '>/sx'; $patterns = array( '/<([\?\%]) .? \\1>/sx', #встроенный PHP, Perl, ASP код '/<\!\[CDATA\[ .? \]\]>/sx', #блоки CDATA #'/<\!\[ [\x20\r\n\t] [a-zA-Z] .? \]>/sx', #:DEPRECATED: MS Word таги типа <![if! vml]>...<![endif]> '/<\!--.?-->/s', #комментарии #MS Word таги типа "<![if! vml]>...<![endif]>", #условное выполнение кода для IE типа "<!--[if expression]> HTML <![endif]-->" #условное выполнение кода для IE типа "<![if expression]> HTML <![endif]>" #см. http://www.tigir.com/comments.htm '/<\! (?:--)? \[ (?> [^\]"\'] \| "[^"]" \| \'[^\']\' )* \] (?:--)? >/sx', ); if ($pair_tags) { #парные таги вместе с содержимым: foreach ($pair_tags as $k => $v) $pair_tags[$k] = preg_quote($v, '/'); $patterns[] = '/<((?i:' . implode('\|', $pair_tags) . '))' . $re_attrs_fast_safe . '> .? <\/(?i:\\1)' . $re_attrs_fast_safe . '>/sx'; } #d($patterns); $i = 0; #защита от зацикливания $max = 99; while ($i < $max) { $s2 = preg_replace($patterns, '', $s); if ($i == 0) { $is_html = ($s2 != $s \|\| preg_match($re_tags, $s2)); if ($is_html) { if ($is_format_spaces) { #В библиотеке PCRE для PHP \s - это любой пробельный символ, а именно класс символов [\x09\x0a\x0c\x0d\x20\xa0] или, по другому, [\t\n\f\r \xa0] #Если \s используется с модификатором /u, то \s трактуется как [\x09\x0a\x0c\x0d\x20] #Браузер не делает различия между пробельными символами, #друг за другом подряд идущие символы воспринимаются как один #$s2 = str_replace(array("\r", "\n", "\t"), ' ', $s2); #$s2 = strtr($s2, "\x09\x0a\x0c\x0d", ' '); $_callback_type = 'strip_spaces'; $s2 = preg_replace_callback('/ [\x09\x0a\x0c\x0d] \| <((?i:pre\|textarea))' . $re_attrs_fast_safe . '> . ? <\/(?i:\\1)' . $re_attrs_fast_safe . '> /sx', __FUNCTION__, $s2); $_callback_type = false; } #массив тагов, которые не будут вырезаны if ($allowable_tags) $_allowable_tags = array_flip($allowable_tags); #парные таги, которые будут восприниматься как параграфы if ($para_tags) $_para_tags = array_flip($para_tags); } }#if #обработка тагов if ($is_html) { $_callback_type = 'strip_tags'; $s2 = preg_replace_callback($re_tags, __FUNCTION__, $s2); $_callback_type = false; } if ($s === $s2) break; $s = $s2; $i ; }#while if ($i >= $max) $s = strip_tags($s); #too many cycles for replace... if ($is_format_spaces /\|\| $is_html/) { #вырезаем дублирующие пробелы $s = preg_replace('/\x20\x20 /s', ' ', trim($s)); #вырезаем пробелы в начале и в конце строк $s = str_replace(array("\r\n\x20", "\x20\r\n"), "\r\n", $s); #заменяем 2 и более переносов строк на 2 переноса строк $s = preg_replace('/\r\n[\r\n] /s', "\r\n\r\n", $s); } return $s; } equivalent, html, php, strip, tags* KOS_MOS Nasibullin Rinat 05.06.2008 Cooler-online [Добавлено 04.06.2011 17:30:06] спасибо. Есть такая проблема. Очень код пригодился. Ваше имя Ваш E-mail (если хотите отслеживать комментарии) Дoкажи, что ты не робот Текст комментария	Меню CodeIgniter Алгоритмы Базы данных Дата и Время Интернет Интерфейс Мультимедиа ОС и Железо Работа с текстом Разное Технологии Файлы Подписка на RSS: Подпишись на RSS-ленту Поиск Облако тегов .net array asp bash browser charset check class clean convert count create css curl database date delete directory download element email equivalent extension file find form format function get height html http ie image javascript jquery load mysql number page perl php random scriplet send shell size sql string text time url utf8 variable vb visual basic width window xml xslt