Rompecabezas: dividir una cadena HTML correctamente

Question

Estoy tratando de dividir una cadena HTML por un token para crear una vista previa del blog sin mostrar la publicación completa. Es un poco más difícil de lo que pensé. Aquí están los problemas:

• Un usuario será crear el código HTML través de un editor WYSIWYG (CKEditor). El marcado no está garantizado como bonito o consistente.
• El token, read_more(), puede se puede colocar en cualquier lugar de la cadena, incluido anidado dentro de una etiqueta de párrafo .
• La primera cadena de división resultante debe ser un código HTML válido para todos los usos razonables del token .

ejemplos de posibles usos:

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

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

<p>read_more()</p> 

<p> read_more()</p> 

read_more() 

Hasta ahora, he tratado simplemente dividir la cadena en el token, pero deja HTML válido. Regex es quizás otra opción. ¿Qué estrategia usarías para resolver esto y hacerlo lo más a prueba de balas posible? Cualquier fragmento de código o sugerencia también sería apreciado (estoy usando 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; 
} 

esta tiras de cualquier no-html después de la marca READ_MORE(), y reduce al mínimo por extracción de las etiquetas correspondientes, manteniendo cualquier etiqueta de partida antes y termina después de la marca:

<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

¿Por qué no usar dos textareas? Uno arriba y abajo del corte? El debe hacer que sea obvio para el usuario lo que está sucediendo, y eliminar el dolor de cabeza para usted.

Si do desea utilizar un token, debe elegir algo un poco más distintivo. Tal vez: <!--full body cut-->, de lo que puede estar un poco más seguro es que en realidad no se confunde con un token.

De todos modos, si desea dividir la cadena en el token, sólo tiene que averiguar dónde está su ficha usando strpos() y luego usar substr() a cortar la primera parte. Algo así como:

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

A continuación, ejecutar su $intro través tidy (extensión PHP) a clean up the syntax y luego quitarse la basura adicional que se agrega en ese país. (Creo que puede str_replace() los extras con una cadena vacía.)

Answer 3

La única opción correcta que actualmente veo es escribir su propio analizador HTML gramatical sin contexto en PHP que le permitirá cerrar las etiquetas apropiadamente (simplemente haciendo estallar la pila al llegar a leer más() y para cada pop agregar una etiqueta de cierre).

Esta es, sin embargo, una gran cantidad de trabajo y esto podría funcionar bien para usted:

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

se pierde el marcado HTML, pero es súper fácil de implementar.Y no hay XSS posible en su página principal :)

Answer 4

En lugar de utilizar HTML completo, ¿por qué no utilizar uno de los muchos lenguajes de marcado que pueden generar HTML, pero que no requieren cerrar etiquetas, etc. Sería más fácil de entrenar a sus usuarios, y evitaría todas las posibilidades de ataques XSS que permite aceptar HTML sin formato.

PHP Markdown parecería un ajuste obvio, particularmente a la luz de su deseo de evitar la GNU GPL.

Answer 5

Para responder un comentario a mi comentario, decidí que fuera una respuesta, así que puedo aprovechar las opciones de marcado.

¿Por qué no puedes simplemente usar trim() en la cadena resultante, encontrar el elemento faltante de abrir o cerrar y anexarlo apropiadamente, para que sea válido HTML?

Simplemente avance y retroceda para encontrar el siguiente elemento de abrir/cerrar y corrija su HTML.

Por lo tanto, puede caminar hacia adelante y hacia atrás en la cadena para obtener el siguiente < y , y si ese es un elemento HTML, deténgase allí, de lo contrario, continúe.

Lo ideal es que deba procesar esto una vez por envío, por lo que sigue pagando el precio para realizar esta operación.

ACTUALIZACIÓN:

me olvidó incluir un enlace para ayudar con strpos:

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

Answer 6

PHP ordenada es un peso muy ligero y eficiente utilidad para reparar las etiquetas no válidas. Eche un vistazo, lo he usado y lo he comparado en mi aplicación, y funciona muy bien. Moreoever Tiene muchas opciones de configuración para adaptarse a sus necesidades el mejor, y se encarga de otros posibles problemas como la codificación, las etiquetas anidadas no válidas etc.

ver la referencia: http://www.php.net/manual/en/tidy.cleanrepair.php

ejemplo de uso:

<?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> 

    ?>