Question

我正在尝试通过令牌拆分HTML字符串，以便在不显示完整帖子的情况下创建博客预览。它比我最初想的还要更难。以下是问题：

用户将创建HTML 通过WYSIWYG编辑器（CKEditor）。标记不能保证非常或一致。
令牌read_more()可以放在字符串中的任何位置，包括嵌套在一个段标记。
生成的第一个拆分字符串需要为所有人提供有效的HTML 合理使用令牌。

可能的用途示例：

<p>Some text here. read_more()</p>

<p>Some text read more() here.</p>

<p>read_more()</p>

<p>  read_more()</p>

read_more()

到目前为止，我已尝试在令牌上拆分字符串，但它会留下无效的HTML。正则表达式可能是另一种选择。您将采用什么策略来解决这个问题并使其尽可能防弹？任何代码片段或提示也将受到赞赏（我正在使用PHP）。

Answer 1

function stripmore($in)
{
    list($p1,$p2) = explode("read_more()",$in,2);

    $pass1 = preg_replace("~>[^<>]+<~","><",$p2);
    $pass2 = preg_replace("~^[^<>]+~","",$pass1);

    $pass3 = null;
    while ( $pass3 != $pass2 )
    {
        if ( $pass3 !== null ) $pass2 = $pass3;
        $pass3 = preg_replace("~<([^<>]+)></\\1>~","",$pass2);
    }

    return $p1."read_more()".$pass3;
}

这会在read_more（）标记之后删除任何非html，并通过剥离相应的标记将其减少到最小值，同时保持任何标记在标记之前和结束之后开始：

<p>Some text here. read_more()</p>
      ==> <p>Some text here. read_more()</p>

<p>Some <b>text</b> read_more() <b>here</b>.</p>
      ==> <p>Some <b>text</b> read_more()</p>

<p>Some <b>text read_more() here</b>.</p>
      ==> <p>Some <b>text read_more()</b></p>

Answer 2

我目前看到的唯一正确选项是在PHP中编写自己的无上下文语法HTML解析器，这将允许您适当地关闭标记（只需通过在读取更多（）时弹出堆栈，并为每个pop添加关闭标签）。

然而，这是很多工作，这可能适合你：

$stripped = strip_tags($input);
list($preview) = explode("read more()", $stripped);

您丢失了HTML标记，但它很容易实现。首页上没有可能的XSS：）

Answer 3

为什么不使用可以生成HTML的许多标记语言中的一种，而不是要求您关闭标记等，而不是使用完整的HTML。这将更容易培训您的用户，并将避免所有接受原始HTML的XSS攻击的可能性允许。

PHP Markdown似乎显然是合适的，特别是考虑到你想要避免使用GNU GPL。

Answer 4

为了回答对我的评论的评论，我决定让它成为一个答案，所以我可以利用标记选项。

为什么你不能在结果字符串上使用trim（），找到缺少的open或close元素并适当追加，以使其成为有效的HTML？

只需前后移动即可查找下一个打开/关闭元素，并修复HTML。

所以，你可以在字符串中向前和向后走，以获得下一个<和>，如果这是一个HTML元素，那么就停在那里，否则继续前进。

理想情况下，每次提交都需要处理一次，因此您需要为此操作付出代价。

<强>更新

我忘了提供帮助strpos的链接：

http://tuxradar.com/practicalphp/4/7/5

Answer 5

PHP整理是一个非常轻量级和高效的实用程序来修复无效标签。看看，我已经使用过它并在我的应用程序中对它进行了基准测试，效果很好。此外，它有许多配置选项，以满足您的需求，并处理其他可能的问题，如编码，嵌套无效标签等。

参见参考资料： http://www.php.net/manual/en/tidy.cleanrepair.php

示例用法：

<?php

    function tidyString($str)
    {
      $config = array('show-body-only' => true); /* else it adds HTML tags too */
      tidy_set_encoding('utf8');
      $outStr = tidy_repair_string($str,$config);
      return $outStr;
    }


    $inStr = "<span> this is my incorrect html</spa";
    echo tidyString($inStr);  // Output : <span>this is my incorrect html</span>

    ?>

Answer 6

为什么不使用两个textareas？一个在切割上方和下方？应该让用户明白发生了什么，并为您消除头痛。

如果你做想要使用令牌，你应该选择更有特色的东西。也许：你可以更确定一点，实际上并没有将内容误认为令牌。

无论如何，如果你想在令牌上拆分字符串，你只需要使用strpos()找出令牌的位置，然后使用substr()来切断第一部分。类似的东西：

$intro = substr($text, 0, strpos($string, $token));

然后，将$intro到tidy（PHP扩展名）运行到clean up the syntax，然后剥去它添加的额外垃圾。（我认为你可以使用空字符串str_replace()附加内容。）

拼图：正确拆分HTML字符串

6 个答案: