Question

我有一个coldfusion脚本，我已经在我的内容管理系统上闲逛了一段时间。它使用正则表达式从内容中删除任何蹩脚的标签和字符。

我需要停止此脚本删除所有<object>和<iframe>标记。

我正在试一试，但我认为这超出了我的正则表达能力。

<cfparam name="Attributes.allowedclasses" default="">

<!--- turn allowed classes list to regular expression --->
<cfset Attributes.allowedclasses = Replace(Attributes.allowedclasses, ",", "|", "all")>

<cfset vBody="<body style='font-family:Verdana; font-size:12px;'>">
<cfset vStart="<!DOCTYPE html PUBLIC '-//W3C//DTD XHTML 1.0 Transitional//EN' 'http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd'><html xmlns='http://www.w3.org/1999/xhtml' lang='en' xml:lang='en'><head><title>Title</title></head>#vBody#">
<cfset vEnd="</body></html>">

<cfloop list="#Attributes.varnames#" index="theVariable">

    <cfset vIntVar=evaluate("caller.#theVariable#")>

    <cf_bocctrimformvars varnames="vIntVar" allowhtml="yes" quotes="unescape" allowPound="yes">

    <cfset vIntVarDebug=vIntVar>

    <!--- strip copy and paste word etc code formatting --->

    <cfset vIntVar=ReReplaceNoCase(vIntVar, "</?[a-z0-9-=""'!\$\?%&\*\+@~##;,\\]*:[a-z0-9 -=""'!\$\?%&\*\+@~##;,\\]*>", "", "all")>

    <!--- stop certain classes being stripped out --->
    <cfif ListLen(Attributes.allowedclasses) NEQ 0>
        <cfset vIntVar=ReReplaceNoCase(vIntVar, '<span class="(#Attributes.allowedclasses#)">([\s\S]*?)</span>', '<excludespan classexclude="\1">\2</excludespan>', 'all')>

        <!--- stop other classes being stripped out --->
        <cfset vIntVar=ReReplaceNoCase(vIntVar, '<([a-z0-9]+) class="(#Attributes.allowedclasses#)"[^>]*>', '<\1 classexclude="\2">', 'all')>
    </cfif>

    <!--- strip out span and font tags --->
    <cfset vIntVar=ReReplaceNoCase(vIntVar, "</?(span|font)[^>]*>", "", "all")> 

    <!--- strip out rest of styles/classes --->
    <cfset vIntVar=ReReplaceNoCase(vIntVar, "<([a-z0-9]+) (style|class)=[^>]*>", "<\1>", "all")>

    <!--- reset classes which shouldn't be stripped out --->
    <cfif ListLen(Attributes.allowedclasses) NEQ 0>
        <cfset vIntVar=ReReplaceNoCase(vIntVar, '<excludespan classexclude="([a-z0-9-]+)"[^>]*>', '<span class="\1">', 'all')>
        <cfset vIntVar=ReplaceNoCase(vIntVar, '</excludespan>', '</span>', 'all')>

        <cfset vIntVar=ReReplaceNoCase(vIntVar, '<([a-z0-9]+) classexclude="([a-z0-9-]+)"[^>]*>', '<\1 class="\2">', 'all')>
    </cfif>



    <cfset vIntVar=ReReplaceNoCase(vIntVar, "<\?xml[^>]*>", "", "all")>
    <cfset vIntVar=ReReplaceNoCase(vIntVar, "<p>([[:space:]])*</p>", "", "all")>
    <cfset vIntVar=ReReplaceNoCase(vIntVar, "</?U>", "", "all")>
    <cfset vIntVar=ReReplaceNoCase(vIntVar, "</?DIV[^>]*>", "", "all")>
    <cfset vIntVar=ReReplaceNoCase(vIntVar, "</?PRE>", "", "all")>
    <cfset vIntVar=ReplaceNoCase(vIntVar, 'target=""', '', 'all')>

    <!--- 
    DG 19/9/2004: fix put in to swap round <p> and <a> tags if a single <p> is inside an <a> 
    (which html tidy doesn't like 
    --->
    <cfset vIntVar=ReReplaceNoCase(vIntVar, "<a([[:print:]]*)>[[:space:]]*<p>([[:print:]]*)</p>([[:space:]]*)</a>", "<p><a\1>\2</a></p>", 'all')>

    <cfset vIntVar=vStart & vIntVar & vEnd>

    <cflock name="tidy" type="exclusive" timeout="10">
        <cfscript>
        TidyObj = CreateObject("COM", "TidyCOM.TidyObject");
        TidyOptions = TidyObj.Options;
        TidyOptions.Doctype = "omit";
        TidyOptions.TidyMark = false;
        TidyOptions.OutputXml = false;
        TidyOptions.InputXml = false;
        TidyOptions.OutputXhtml = true;
        TidyOptions.ShowWarnings = false;
        TidyOptions.DropEmptyParas = true;
        TidyOptions.Quiet = true;
        TidyOptions.Indent = 0;
        TidyOptions.Wrap = 0;
        TidyOptions.QuoteAmpersand = true;

        vIntVar = TidyObj.TidyMemToMem(vIntVar);

        TidyObj = "";
        </cfscript>
    </cflock>


    <!--- strip any image tags inserted by drag and drop etc --->
    <cfset vIntVar=ReReplaceNoCase(vIntVar, "<img [^>]*>", "", "all")>


</cfloop>

Answer 1

我同意orangepips，你应该问一个更具体的问题，但我也喜欢挑战。我之前尝试使用REGEX解析HTML，并且可以证明它不是一个好的解决方案，特别是当你查看整个文档而不仅仅是一个简单的字符串时。但是，有时你必须在狭小的空间内工作，而且你没有很多选择。

我查看了您在此处的所有REGEX表达式，并针对以下对象标记运行了所有这些表达式。他们中没有一个人检测到对象标签，这让我相信这个问题可能出现在TidyCOM中。我喋喋不休地寻找有关TidyCOM的信息，我能找到的最新资料是从2001年左右开始的。

我知道您只是想修复此脚本并继续前进，但这可能无法实现。您可能会开始考虑将这些遗留内容迁移到更新的平台。

如果要在连接vStart，vIntVar和vEnd之后确定将问题输出到文本文件的确定位置。当然你也可以使用CF调试器，但我记得那不是最容易工作的东西。

我用来测试表达式的对象标签：

<object classid="clsid:F08DF954-8592-11D1-B16A-00C0F0283628" id="Slider1" width="100" height="50">
  <param name="BorderStyle" value="1" />
  <param name="MousePointer" value="0" />
  <param name="Enabled" value="1" />
  <param name="Min" value="0" />
  <param name="Max" value="10" />
</object>

如果您需要一些帮助来了解REGEX表达式的作用，我发现Expresso是一个很棒的工具。还有其他人，但这是我多年来一直使用的，它完成了工作。

正则表达式剥离HTML标签

1 个答案: