Санация HTML в C ++

Question

Существует ли какая-либо доступная функция / класс / библиотека C ++ (или, возможно, C) с единственной целью очистки строки, которая может содержать HTML?

Я нашел много исходного кода для очистки в C # или других языках, более используемого в веб-приложении, но ничего в C ++.

Я попытаюсь реализовать свою собственную функцию, если я не найду ничего доступного, но я думаю, что тщательно протестированное решение будет гораздо лучше.

edit> Еще несколько уточнений по моим потребностям:

Я получаю ввод текста с клавиатуры в моем приложении C ++. Затем мне нужно санировать его перед использованием в качестве параметра при вызове функции javascript. Этот javascript запускается на загруженной html-странице, которая автоматически отображается (через Chromium) в текстуре, которую я отображаю через библиотеку (Navi). Итак, функция javascript, которую я использую, просто возьмет заданный текст, поместит P-тег вокруг текста и вставит его в div следующим образом:

text_display.innerHTML += text_to_add;

Мне нужно очистить текст перед отправкой на веб-страницу, будь то для этой функции или другой. Его просто нужно продезинфицировать перед вводом в Chromium.

Answer 1

HTML Tidy написан на c, но есть привязки практически для каждого языка / платформы, , включая c ++ .

Answer 2

Вы задаете довольно вопрос здесь. Прежде чем вы получите хороший ответ, вам необходимо уяснить, что именно вы хотите «проанализировать» из ваших входных данных. Например, вы можете искать любые символы «<» и преобразовывать их во что-то другое, чтобы они не анализировались никаким HTML-анализатором. </p>

Или вы можете найти шаблон <и>, за которым следует шаблон </>. (Извините, я должен был вставить это здесь, чтобы HTML-парсер ЗДЕСЬ не ел его). Затем вам также нужно искать «».

Вы можете действительно искать допустимые / известные теги HTML и удалять их.

Итак, возникает вопрос, какой метод является правильным для вашего решения? Зная, что если вы создаете простой синтаксический анализатор, вы можете фактически скопировать корректный текст, содержащий символы больше и меньше.

Итак, вот мой ответ для вас до сих пор.

Если вы хотите просто УДАЛИТЬ любой текст в стиле HTML, я бы порекомендовал использовать механизм регулярных выражений (PCRE) и использовать его для анализа ввода и удаления всех подходящих строк. Это, вероятно, простое решение, но оно требует, чтобы вы получили и собрали PCRE, и есть проблемы GPL, о которых вам нужно знать, для вашего проекта. Синтаксический анализ, вероятно, будет очень прост в реализации и выполняется быстро.

Второй вариант - сделать это путем обхода буфера, поиска открытого HTML-символа (<), затем синтаксического анализа до тех пор, пока вы не достигнете первого пустого пространства, затем начните ходить, ища закрывающий код HTML (>), затем начните ходить снова, ища соответствующий тег CLOSING, основываясь на том, что вы только что проанализировали. (Скажем, это тег DIV, вы хотите искать /DIV.))

У меня есть код, который делает это в синтаксическом анализаторе STL HTML, но есть много вопросов, которые следует рассмотреть и по этому пути. Например, у вас есть коды сущностей, с которыми можно иметь дело, одноэлементные теги, такие как IMG, P и BR, чтобы назвать несколько.

Если вы хотите, чтобы действительно ДЕЙСТВИТЕЛЬНО был хороший C-код, посмотрите на проект ClamAV. У них есть HTML-парсер, который удаляет все теги со страницы и оставляет вам только оставшийся текст. (среди прочего это делает ..). Посмотрите в файле libclamav \ htmlnorm.c отличный пример «обхода буфера» и анализа. Это не самая быстрая вещь в мире, но она работает ... В последнем Clam может быть даже столько материала, связанного с анализатором HTML, что это может быть трудно понять. Если это так, вернитесь и посмотрите на более раннюю версию, например .88.4 или около того. Просто имейте в виду ошибки в тех старых кодах, есть и хорошие. :)

Надеюсь, это поможет.

Answer 3

Вы можете использовать libxml2's xmlEncodeSpecialChars.

Answer 4

Используйте Qt QWebkit и для анализа HTML-дерева. Тогда плевать на выход с этим. Это немного очистит html.

Answer 5

Этот был опубликован несколько часов назад. Это просто статья о регулярных выражениях, но она содержит именно то, что вы хотите :), и я думаю, что этот также может быть интересен.