HTML Sanitization in C++

Question

Есть ли какая-либо доступная C++ (или, возможно, C) функция/класс/библиотека, только для того, чтобы дезинформировать строку, которая может содержать HTML?

Я нахожу много исходного кода для дезинфекции на C# или других языках, более используемых в веб-приложении, но ничего в C++.

Я попытаюсь реализовать свою собственную функцию, если не найду какой-либо доступной, но я думаю, что проверенное решение будет намного лучше.

редактировать> Некоторые больше уточнения на моих потребностях:

Я получаю ввод текста с клавиатуры в моем приложении C++. Затем мне нужно дезинфицировать его, прежде чем использовать его в качестве параметра в вызове функции javascript. Этот javascript запускается на загруженной странице html, которая автоматически отображается (через Chromium) в текстуре, которую я показываю через библиотеку (Navi). Таким образом, Javascript функции я использую просто взять данный текст, положить P тег вокруг текста и ввести его в DIV, как это:

text_display.innerHTML += text_to_add; 

мне нужно дезинфицировать текст перед отправкой его на веб-странице , будь то для этой функции. Его просто нужно дезинфицировать перед входом в Chromium.

Answer 1

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

Answer 2

This был размещен несколько часов назад. Это всего лишь статья о регулярных выражениях, но она точно содержит то, что вы хотите :) и я думаю, что this также может представлять интерес.

Answer 3

Вы можете использовать libxml2's xmlEncodeSpecialChars.

Answer 4

Вы задаете здесь свой вопрос. Прежде чем вы получите хороший ответ, вам нужно четко указать, что именно вы хотите «разобрать» вне вашего ввода. Например, вы можете искать любые символы «<» и преобразовывать их в нечто другое, поэтому они не анализируются никаким парсером HTML.

Или вы могли бы найти образец < и> затем < /> узор. (Извините место, я должен был положить его здесь, так что HTML-парсер ЗДЕСЬ не съел бы его). Затем вам также нужно найти « теги одного элемента />».

Фактически вы можете найти допустимые/известные HTML-теги и удалить THOSE.

Итак, возникает вопрос, какой метод подходит для вашего решения? Зная, что если вы сделаете простой парсер, вы можете на самом деле разорвать действительный текст, содержащий символы большего и меньшего размера.

Итак, вот мой ответ для вас до сих пор.

Если вы хотите просто УДАЛИТЬ любой текст в стиле HTML, я бы рекомендовал использовать механизм регулярных выражений (PCRE) и использовать его для анализа вашего ввода и удаления всех совпадающих строк. Вероятно, это простое решение, но для этого требуется создание и создание PCRE, а также проблемы с GPL, о которых вам нужно знать, для вашего проекта. Разбор, вероятно, будет очень прост в реализации и быстро выполняется.

Второй вариант заключается в том, чтобы сделать это, пройдя буфер, ища открытый HTML-символ (<), затем разобравшись до тех пор, пока вы не нажмете первое пустое пространство, затем начните движение, ищите закрывающий HTML-символ (>), затем снова начните ходить, ища соответствующий тег CLOSING, основываясь на том, что вы только что разобрали. (Скажем, это тег DIV, который вы хотите искать/DIV.)

У меня есть код, который делает это в HTML-анализе STL, но есть много проблем, чтобы подумать и о том, чтобы идти по этому маршруту. Например, у вас есть коды сущностей для обработки, теги с одним элементом, такие как IMG, P и BR, чтобы назвать несколько.

Если вы хотите какой-то ДЕЙСТВИТЕЛЬНЫЙ отличный код на C, посмотрите на проект ClamAV. У них есть синтаксический анализатор HTML, который удаляет все теги из страницы и оставляет вас с ТОЛЬКО текстом. (между прочим это делает ..). Посмотрите в файле libclamav \ htmlnorm.c отличный пример «буфера хождения» и разбора. Это не самая быстрая вещь в мире, но она действительно работает ... У последнего Clam может быть даже столько всего, что связано с парсером HTML, это может быть трудно понять. Если да, вернитесь назад и посмотрите на более раннюю версию, например .88.4 или около того. Просто имейте в виду ошибки в тех старых кодовых базах, есть хорошие. :)

Надеюсь, это поможет.

Answer 5

Используйте QWeb Qtekit и проанализируйте дерево HTML. Затем вытолкните вывод. Это позволит немного очистить html.