Нужен парсер простого HTML

Страницы: ← Предыдущая страница →

kostyl

Сообщения: 5210 Репутация: N Группа: Джедаи

20 декабря 2010 г. 23:46, спустя 11 минут 18 секунд

только есть еще прикол - нужно учитвыать много херни браузеров, которые дописывают незакрытые теги…
artoodetoo

Сообщения: 5147 Репутация: N Группа: в ухо

20 декабря 2010 г. 23:53, спустя 7 минут 21 секунду

Спасибо kostyl, автомат может и хороший, но не тот. Мне надо HTML в 100 строк.

ιιlllιlllι унц-унц
kostyl

Сообщения: 5210 Репутация: N Группа: Джедаи

21 декабря 2010 г. 0:23, спустя 29 минут 45 секунд

artoodetoo, да можно сделать автомат и в несколько строчек… я привёл подобие пировского…

artoodetoo

Сообщения: 5147 Репутация: N Группа: в ухо

21 декабря 2010 г. 0:34, спустя 10 минут 40 секунд

Вот сам набросал


<?php

error_reporting(-1);

class MyHtmlTidy
{
    const
        TAG  = '<(?:"[^"]*"|\'[^\']*\'|[^\'">])*>',
        ATTR = '\w++\s*=\s*"[^"]++"|\w++\s*=\s*\'[^\']++\'|\w++\s*=\s*[^\s]++';

    private
        $_goodTags  = array('b', 'i', 'u', 's', 'p', 'a', 'img', 'br', 'hr'),
        $_selfClose = array('img', 'br', 'hr'),
        $_goodAttrs = array(
                      'a'   => array('href', 'title'), 
                      'img' => array('src', 'alt')),
        $_nest      = array();

    public 
        $errors = array();

    public function preparse($html)
    {
        $this->_nest = array();
        $this->errors = array();
        $text = preg_replace_callback('/('.self::TAG.')/Uus', array($this, '_replace'), $html);
        if (!empty($this->_nest)) {
            $this->errors[] = 'Unclosed tags ' . implode(', ', $this->_nest);
            $text .= '</' . implode('></', array_reverse($this->_nest)) . '>';
        }
        return $text;
    }

    private function _replace($matches)
    {
        $tag = $matches[1];

        preg_match('/^<\/?(\w++)/', $tag, $m);
        $tagName = strtolower($m[1]);
        $isSelfClosed = $tag{strlen($tag) - 2} == '/';
        $attrs = trim(substr($tag, strlen($m[0]), ($isSelfClosed ? -2 : -1)));

        if (!in_array($tagName, $this->_goodTags)) {
            $this->errors[] = 'Tag ' . $tagName . ' is deprecated';
            return '';
        }

        // Closing tag
        if ($tag{1} == '/') {
            if (empty($this->_nest) || end($this->_nest) != $tagName) {
                $this->errors[] = 'Odd close tag ' . $tagName;
                return '<' . $tagName . '></' . $tagName . '>';
            }
            array_pop($this->_nest);
            return '</' . $tagName . '>';
        }

        // Open tag or self-closing tag
        $isSelfClosed = $isSelfClosed || in_array($tagName, $this->_selfClose);

        if (!$isSelfClosed) {
            $this->_nest[] = $tagName;
        }                        

        if (!isset($this->_goodAttrs[$tagName])) {
            // No attributes at all
            if (strlen($attrs)) {
                $this->errors[] = 'Tag ' . $tagName . ' cannot have attributes';
            }
            $attrs = '';
        } else {
            // Check every attribute
            preg_match_all('/'.self::ATTR.'/Uus', $attrs, $m);
            $attrs = $m[0];
            foreach ($attrs as $i => $attr) {
                $p = strpos($attr, '=');
                $attrName = strtolower(trim(substr($attr, 0, $p)));
                if (!in_array($attrName, $this->_goodAttrs[$tagName])) {
                    $this->errors[] = 'Wrong ' . $tagName . ' attribute ' . $attrName;
                    unset($attrs[$i]);
                } else {
                    $attrs[$i] = $attrName . '=' . trim(substr($attr, $p + 1));
                }
            }
            $attrs = count($attrs) ? (' ' . implode(' ', $attrs)) : '';
        }
    
        return '<' . $tagName . $attrs . ($isSelfClosed ? '/>' : '>');
    }
}

$t = new MyHtmlTidy();

$html = <<<HTML
<p class='blabla'>dslkldsldslsd<br>
kjksdjsdk<a href="http://thesite.name/path" target="_new" title="ololo" onclick="javascript:doit('xxx')">djdkjdk</a>
<img src=0.gif alt='pysh-pysh'>
ds;lsd;; <b>skjskjsk kjdkjdkd
HTML;

header('Content-type: text/plain');

echo $html;
echo "\n===========================\n";

$preparsed = $t->preparse($html);
if (!empty($t->errors)) {
    echo implode("\n", $t->errors);
    echo "\n===========================\n";
}
echo $preparsed;

вывод:


<p class='blabla'>dslkldsldslsd<br>
kjksdjsdk<a href="http://thesite.name/path" target="_new" title="ololo" onclick="javascript:doit('xxx')">djdkjdk</a>
<img src=0.gif alt='pysh-pysh'>
ds;lsd;; <b>skjskjsk kjdkjdkd
===========================
Tag p cannot have attributes
Wrong a attribute target
Wrong a attribute onclick
Unclosed tags p, b
===========================
<p>dslkldsldslsd<br/>
kjksdjsdk<a href="http://thesite.name/path" title="ololo">djdkjdk</a>
<img src=0.gif alt='pysh-pysh'/>
ds;lsd;; <b>skjskjsk kjdkjdkd</b></p>

Кому нелениво, поищите дыры, пожалуйста.

Спустя 114 сек.

Не знаю как мне с тем же preg_replace_callback ухитриться еще переводы строк в br превращать.
Наверное preg_split надо.

ιιlllιlllι унц-унц

phpdude

Сообщения: 26646 Репутация: N Группа: в ухо

21 декабря 2010 г. 1:44, спустя 1 час 10 минут 33 секунды

суров. домой придет поищу :-)

Сапожник без сапог
AndryG

Сообщения: 237 Репутация: N Группа: Адекваты

27 декабря 2010 г. 3:12, спустя 6 дней 1 час 27 минут

Использовать автомат - оно, конечно, правильней регулярки. Но автомат нужно построить почти такой же, как в браузеры юзают.
Напрашивается идея его и юзать.

Загрузить код в DOM (он сам закрывает теги и отбросить прочие разночтения.)
За тем пройтись по дереву рекурсивным обходчиком … для разрешенных тегов, забирать и тег и содержимое. Для остальных - только голый текст брать.
И код будет небольшой, и 100% никакой жук не пролезет.

Спустя 89 сек.
Дайте редактировать свои посты … хрен ошибки исправишь!
phpdude

Сообщения: 26646 Репутация: N Группа: в ухо

27 декабря 2010 г. 5:15, спустя 2 часа 3 минуты 31 секунду

а ты не ошибайся

Сапожник без сапог

Страницы: ← Предыдущая страница →

Пожалуйста, авторизуйтесь, чтобы написать комментарий!

Нужен парсер простого HTML

Войти