清理MS-Word中的粘贴文本

Question

这是我狂野而又笨拙的伪代码。有谁知道如何使这个真实？

背景：

此动态内容来自ckeditor。许多人都在其中粘贴Microsoft Word内容。不用担心，如果我只是将该属性称为未触及，则它会加载漂亮。但问题是，我希望它只是缩写为125个字符。当我向其添加截断时，所有Microsoft Word脚本都会弹出。然后我添加了simple_format，并进行了清理和截断，甚至让我的控制器开始发现MS将要制作的特定变量并将其格式化。但是它们太多了，而且这似乎是一种非常混乱的方法。如此！意识到它本身就是干净的。我想，为什么不切片呢。但是，Microsoft Word文本变为空白但仍保持其在字符串中的编号位置。所以我想出了下面这个（可能很糟糕）的解决方案。

分三步。

1. 当文本解析时，它不会显示任何MSWord垃圾。但该文本仍然在切片声明中占有一个位置。所以我想使用正则表达式找到第一个真正的角色。
2. 取出该字符，找出其编号位置在总字符串中的位置。

3. 使用切片语句将其剪切。

   def about_us_truncated
     x = self.about_us.find.first(regExp representing first actual character)
     x.charCount = y
     self.about_us[y..125]
   end
   

我得到的唯一的另一个想法是一个正则表达式语句，允许它显式地切片实际字符，如下所示：

about_us([a-zA-Z][0..125])，但这绝对不是它的编写方式。

以下是MS Word垃圾的一些示例文本：

 ≪! [If Gte Mso 9]>≪Xml>≪Br /> ≪O:Office Document Settings>≪Br /> ≪O:Allow Png/>≪Br /> ≪/O:Off...

Answer 1

你没有提供太多信息，但是在寻求帮助之前，不要过于谨慎地试图建立这个正则表达式...

获取示例文本并将其粘贴到测试字符串区域的Rubular中，然后开始构建正则表达式。它在底部有一个很好的快速参考。

Answer 2

偶然发现了这个

http://gist.github.com/139987

它看起来需要sanitize gem。

Answer 3

这在技术上并不是一个直接的答案，但它似乎是你能找到的最好的答案。

为了防止MS Word，您应该使用CK Editor的内置MS文字消毒剂。这是因为为它编写正则表达式可能非常复杂，你可以很容易地将标签分成两半并用它来破坏你的网站。

我作为解决方法所做的是，我在CK编辑器中以纯文本形式强制粘贴。