Question

假设我们有一个像“2 < 4”

这样的html字符串

如何确定它是否包含任何这些扩展序列？

我在CPAN上找到了HTML :: Entities，但它没有提供'check'方法。

详细信息：修复'truncate'方法，以便不会像“2 &l”那样留下损坏的字符串，而不是做不必要的工作。看起来应该是这样的

$s = HTML::Entities::decode_entities ($s) if $has_ext_chars;
$s = substr ($s, 0, $len - 3) . '...' if length $s > $len;
$s = HTML::Entities::encode_entities ($s, "‚„-‰‹‘-™›\xA0¤¦§©«-®°-±µ-·»") if $has_ext_chars;

如何确定$ has_ext_chars？

Answer 1

可以在the W3C reference上找到完整的字符实体列表。

您还必须匹配\&#u?\d+;和\&#x[a-fA-F0-9]+;

Answer 2

来自perldoc HTML::Entities：

该模块还可以导出％char2entity和％entity2char 哈希，包含从所有字符到的字符的映射相应的实体（反之亦然）。

您可以使用它们来构建正则表达式。例如，匹配实体：

use HTML::Entities '%entity2char';

my $regex = "&(?:" . join("|", map {s/;\z//; $_} keys %entity2char) . ");";

if ($str =~ /$regex/) {
    print "$str contains entities\n";
}

这会跳过像&#entity_number;这样的实体。

Answer 3

您可以使用正则表达式

进行尝试

$str =~ /.*\&[^\s]+;.*/

Answer 4

从您的代码示例中，您可能刚刚在您的应用程序中引入了跨站点脚本攻击。如果我要让您的代码处理<script src="evil.example.com"></script>之类的代码，您的代码会将其解码为有效的HTML，而不是将<和>重新编码回实体。（代码中的尖括号不是ASCII尖括号。）

如果要截断包含任何HTML标记或实体的字符串，如果使用简单的解决方案，则可能会破坏某些内容。您可能最好基于HTML解析模块构建解决方案。如果您只查看元素内部没有元素的文本，则可以获取文本，截断文本然后将其替换回元素。如果你必须处理混合内容，那将会更复杂。

但是为了解决不好的问题：

#treats each entity as one character "2 &lt; 4" is 5 characters long
$trunc_len = $len - 3;
$str =~ s/^((?>(?:[^&]|&[^\s;]+;?){$trunc_len}))(?:[^&]|&[^\s;]+;?){4,}/$1.../;

#abuses proceadural nature of the regexp engine 
#treats each input character as on character "2 &lt; 4" is 8 characters long
$str =~ s/^( (?:[^&]|&[^\s;]+;?)+ )(?(?{ $found = (pos() > ( $found ? $len - 3 : $len ))})(?!)).*$(?(?{pos() < $len })(?!))/$1.../x;

两者在允许常见浏览器怪癖的实体中相当宽容。

如何检查HTML是否包含扩展实体，如＆lt;？

4 个答案: