Question

我是模式匹配的新手，终于弄明白了。我很难找到解决以下问题的方法。

如果存在任何数量的html标签，我需要返回一个匹配（使用php preg_match）。

<p></p>
<br>
<h1></h1>
<h2></h2>

否则不返回匹配。所以上面列表中没有的内容都会失败，例如：

<script></script>
<table></table>

ECT

...理想情况下，如果可能的话，我想操作一个白色的安全标签列表。

任何人都知道我可以使用/适应的模式吗？

Answer 1

即使这不是通常的“I want to parse HTML with regular expressions”情况，我仍然建议使用DOM解析器，遍历每个元素，如果它不在允许元素列表中则中止。

参见例如this question开始使用。

如果它支持:not选择器和多个标签名称，它可能会成为使用像phpQuery这样的DOM解析器扩展的单线程 - 我不知道，我自己从未使用它，但很容易找到。基本示例是here。

Answer 2

preg_match_all('/<([a-z]*)\b[^>]*>(.*?)</\1>/i'$html,$matches);

分解表达

第一个/是分隔符

<是标记的开头，即第一个<

([a-z]*)开始匹配标签名称，因此fir实例＆lt;的强

\b[^>]*说，一旦找到空格，继续寻找所有单词

>表示希望上一部分继续查看，直到找到第一个>

(.*?)说继续查看并收集（..）里面的字符串但是我们有一个?然后当你在结束括号后找到下一个字符时停止查看。

</\1>表示我想匹配但仅当内部的值与第一个匹配时相同时，这由\1完成，如匹配, the value of this would be what's found with（[az] *）`。

然后你可以使用preg_match_all来查找包含内容的所有内容，数组输出就像是

array( 0 > THE WHOLE TAG 1 > TAG NAME 2 > TAG VALUE )

希望有所帮助：）

〔实施例

$allowed = array('b','strong','i','pre','code'); WHITELIST, never blacklist foreach($matchas as $match) { if(!in_array($match[1],$allowed)) { echo sprintf('The tag %s is disallowed!',$match[1]); } }

Answer 3

正则表达式完全不适合检查HTML中的“安全”标记。不仅如此，HTML中还没有安全标签。可以为任何元素指定允许脚本注入的属性（例如onclick，style - with-IE - expression() ...）。您必须检查每个属性以及每个元素。

当您的安全性受到威胁时，您绝对需要一个真正的HTML解析器（然后您过滤元素/属性并序列化结果）。有很多方法可以逃避基于正则表达式的检查，这甚至都不好笑。

您可以使用DOMDocument::loadHTML后跟DOM漫游来执行此操作，也可以使用现有的库，例如htmlpurifier。

模式匹配html标签

3 个答案: