Filtriranje nezeljenih atributa u html-u

[dinke]

Imam problem sa filtriranjem html elemenata koje dobijam iz rss feedova (na blogotku). Da budem precizniji, treba mi nesto poput strip_tags u php-u, ali za html atribute, obzirom da strip_tags uklanja samo nezeljene elemente, pri cemu unutar njih svi atributi ostaju.

Ranije sam za to manje vise uspesno koristio sax parser, ali to vise ne mogu zbog buga u PHP 5.2(na stranu sto je sax cesto pucao zbog lose formiranog xml-a). U prethodna dva dana sam koristio PHP Input Filter klasu, ali sam provalio bug kod nje(uklanja deo querystringa tamo gde postoji), tako da sam ponovo na pocetku.

Ivanhoe mi je na jednom drugom postu preporucio regexp, sto je verovatno i najbolje resenje imajuci sve gore navedeno u vidu, ali imam problem sa formiranjem tog regexp-a koji bi prihvatao samo "pozitivne" elemente (i pritom uklanjao negativne). Znam da mogu da radim obrnuto (tipa, sa preg_match_replace brisem redom style, script i sl. atribute), ali se pitam da li je izvodljivo da uradim suprotno - izvucem samo ono sto mi treba.

I naravno, ako neko ima neko drugo neregexp resenje, otvoren sam za sve sugestije

[ivanhoe]

ajd posto sam ja kriv za ideju, da pokusam da pomognem

Prvo pobrisi ono sto pouzdano ne zelis, tipa script i style tagova. Onda koristi preg_replace_callback() da pronadjes tagove. U callback funkciji uzmi matches[0], tj. ceo tag i splituj ga u niz atributa. Prodji kroz taj niz i izvadi one koji ti trebaju, sastavi novi tag od njih i to vrati kao rezultat.

[robi-bobi]

http://sourceforge.net/projects/kses

vidim da neki WYSIWYG projekti koriste ovo

[Ilija Studen]

Originalno napisao robi-bobi

http://sourceforge.net/projects/kses

Licenca nije baš najsrećnije odabrana, s obzirom da je lib u pitanju. Pošto je GPL u pitanju može da se koristi samo u GPL projektima. Doduše, uvek možeš da pogledaš kako je nešto napravljeno pa da sam napraviš svoje...

[dinke]

Problem kod regularnih izraza je sto kod nekog jednostavnog replace-a moras voditi i racuna da se taj atribut koji uklanjas zaista i nalazi unutar nekog elementa.

na primer:

PHP kôd:

$html = preg_replace("/style=\"[^\"]+\"/", '', $html);
$html = preg_replace("/align=\"[^\"]+\"/", '', $html);
$html = preg_replace("/id=\"[^\"]+\"/", '', $html);
$html = preg_replace("/onblur=\"[^\"]+\"/", '', $html); 


ce uredno ukloniti i neki style="foo" koji se regularno nalazi bilo gde u postu, sto nije nesto sto sam zeleo.

Elem, probao sam kses koji je odlicno odradio posao, poterao sam skript i updateovao celu bazu postova. Rekao bih da odlicno radi posao, ako ne racunam to da mi uredno ubije apache na mom localhostu

Inace, provalio sam da sax parser na php 5.2 nije bio problem vec str_ireplace f-ja koju sam koristio u toj klasi, zbog koga je zend php engine pucao(known bug). Nakon sto sam istu zamenio, moj SAX parser je proradio, ali je i dalje pucao kad god bi neciji post imao lose formiran html(a toga verovali ili ne ima bar 30%).

@Ilija
heh, partybreaker, gde si bio pre sat vremena Ajd, poslacu mail autoru, pa cu ga pitati kako stoje stvari. Ovako kako stvari stoje, radije cu ceo kod prebaciti u gpl nego sto cu se opet smarati sa time. Sve u svemu, zadrzacu kses dok ne cujem misljenje autora.

[Ilija Studen]

Originalno napisao dinke

@Ilija
heh, partybreaker

JBG. Javi šta je rekao čovek. Možda nije loša ideja da se predloži prebacivanje na LGPL ili neku slobodniju licencu koja je prikladnija za libove. Vrlo je moguće da autori uopšte nisu obraćali pažnju na legal issues kada su birali licencu. Opet, postoji mogućnost da su zagrišeni FLOSS-ovci i da su namerno odabrali GPL iako je lib u pitanju. Who knows...

[misk0]

Off Topic:
A sta je sa koristenjem GPL libova, komponenti i slicnih paketa ukoliko pravis svoj proizvod ciji si ti vlasnik i ne prodajes vec prodajes usluge (tip, webapp)? Moras u tom slucaju objaviti negdje source tvoje aplikacije?? Nekako mi to nije logicno, ne prodajem app, vec usluge koristenja te aplikacije.

[dinke]

Off Topic: I meni su te razne gpl licence vrlo konfuzne. Ja recimo imam neku curl klasu kojoj sam dodelio bsd licencu jer sam cuo da je ona najliberalnija od tih open source licenci, a vrlo je moguce da sam totalno u krivu

[ivanhoe]

Originalno napisao dinke

Problem kod regularnih izraza je sto kod nekog jednostavnog replace-a moras voditi i racuna da se taj atribut koji uklanjas zaista i nalazi unutar nekog elementa.

zato sam i rekao da koristis preg_replace_callback() da nadjes CEO TAG. A onda u callback funkciji radis replace atributa... ovo radi vrlo pouzdano...

[Ilija Studen]

Ako se ne varam, možeš da koristiš GPL kod u komercijalnim aplikacijama pod uslovom da ih ne distribuiraš (pružanje aplikacije kao servisa ne spada pod distribuciju po GPL v2 tako da si tu pokriven). JBG, ja sve gledam iz ugla nekog ko pravi softver koji se distribuira.

Najbolje da vidiš šta čovek ima da kaže. Najverovatnije neće biti nikakvih problema, a sve se reši s jednim do dva maila...