C++中的HTML清理

Question

是否有可用的C++（或者可能是C）函数/类/库，其唯一目的是清理可能包含HTML的字符串？

我找到了很多用于在C#或其他更常用于Web应用程序的语言中进行清理的源代码，但在C++中没有找到任何内容。

如果找不到现成的解决方案，我将尝试实现自己的函数，但我认为经过充分测试的解决方案会更好。

编辑>关于我的需求的一些更精确的说明：

我从键盘获取文本输入，并在将其用作javascript函数调用参数之前对其进行清理。该javascript运行在已加载的html页面中，并通过库（Navi）显示为纹理。因此，我使用的javascript函数将简单地获取给定的文本，将P标签放在文本周围，并将其注入到类似于以下方式的div中：

text_display.innerHTML += text_to_add;

无论是用于这个功能还是其他的功能，我都需要在将文本发送到网页之前对其进行净化。在输入到Chromium之前它必须被净化。

- Klaim

---

为什么你要用C++来实现一个Web应用程序？ - Edward Z. Yang

我不是在手动编写代码。我使用一个库，可以从HTML/JavaScript/CSS生成纹理。我目前从C++应用程序中的字符串调用一些带有参数的页面JavaScript。这个字符串是通过键盘输入的，所以在注入代码之前需要进行清理。 - Klaim

意思是“注入文本”，而不是代码。 - Klaim

Answer 1

HTML Tidy 是使用 C 语言编写的，但几乎每种语言/平台都有相应的绑定，包括 C++。

- Rex M

---

我不太确定你的意思，你是建议我从Tidy中使用一些代码吗？ - Klaim

@Klaim HTML的净化理想情况下是一个两步过程 - 首先确保标记符合规范并符合规范。其次是剥离HTML。如果我们尝试在一次通行中完成所有操作，我们必须考虑到HTML可以被破坏的无数种方式，并且仍然可以被浏览器解析/执行。如果您将潜在的标记通过类似于HTML Tidy的东西运行，则会得到如此干净和规范化的结果，以至于您可以安全地将其与简单的白名单一起运行。 - Rex M

感谢您提供的详细信息，我会尝试一下。 - Klaim

Answer 2

你可以使用{{link1：libxml2的xmlEncodeSpecialChars}}。

- Ben Straub

---

有趣，我会尝试一下。我看到的问题是仅为了进行清理而添加如此“大”的依赖项。但如果它运行良好，我可以尝试隔离代码并将其用于我的项目。 - Klaim

Answer 3

你在这里提出了相当复杂的问题。 在你能得到一个好的回答之前，你需要明确你想从输入中“解析”出什么。例如，你可以查找任何“<”字符，并将它们转换为其他内容，这样它们就不会被任何HTML解析器解析。

或者，你可以搜索如下模式：<和>后跟</>模式。（请原谅空格，我必须把它放在这里，以便HTML解析器不会解析它）。然后，你还需要查找“<单一元素标记/>”。

你实际上可以查找有效/已知的HTML标记并将其去除。

因此，问题变成了哪种方法对你的解决方案正确？要知道，如果你制作一个简单的解析器，你可能会将包含大于号和小于号符号的有效文本剥离掉。

因此，这是我的答案。

如果您想简单地删除任何类似HTML的样式文本，我建议使用正则表达式引擎（PCRE），并使用它来解析您的输入，并删除所有匹配的字符串。这可能是最简单的解决方案，但它需要您获取和构建PCRE，并且有一些GPL问题需要您注意，以便适用于您的项目。解析可能非常容易实现，并且运行速度很快。

第二个选项是通过遍历缓冲区来执行此操作，查找开放的HTML字符（<），然后解析直到第一个空格，然后开始遍历，查找关闭的HTML字符（>），然后再次开始遍历，根据刚刚解析的内容查找匹配的CLOSING标记。（比如说，它是一个DIV标记，您要查找/DIV。）

我有代码在STL HTML解析器中执行此操作，但是也有许多问题需要考虑。例如，您需要处理实体代码，像IMG、P和BR这样的单元素标记，等等。

如果你想查看一些非常好的 C 代码，可以去看一下 ClamAV 项目。他们有一个 HTML 解析器，可以将所有标签从页面中剥离出来，并留下仅有的文本内容。(除此之外还有其他功能...) 在文件 libclamav\htmlnorm.c 中，可以找到一个很好的“缓冲区漫步”和解析示例。虽然它不是最快的，但确实有效。最新版的 ClamAV 可能在 HTML 解析器中绑定了太多的东西，以至于可能难以理解。如果是这样，可以回到早期版本，例如 .88.4 版本。只是请注意旧代码库中的错误，其中有一些是好的。

希望这能有所帮助。

- LarryF

---

我对我的需求进行了一些精确的说明。我将尝试您最后的建议，希望我能够足够地隔离代码。 - Klaim

似乎你只需要“过滤”<和>字符……所以，只需编写一个简单的解析器来删除它们！唯一的问题是这些字符可能在合法输入中被使用，所以你需要澄清，如果确实是这种情况，那么你手头的问题就会变得更加严重。我很愿意帮助你解决这个问题，因为我喜欢C / C ++，但现在却被困在了C#的世界里，这将是一个不错的项目。 :) - LarryF

在考虑制作自己的解决方案之前，我会先尝试这里提出的解决方案，因为它似乎是一个复杂的问题（该条目可能也包含JavaScript...）。然后我会考虑你的帮助。无论如何，问题现在似乎很清楚了吧？如果你想的话，你已经可以开始着手解决了。我开始着手解决这个问题，并发现这是一个复杂的问题，网站应用程序运行在 C# 和 ROR 上已经解决了这个问题。现在我需要一个等效的健壮的C++解决方案。 - Klaim

Answer 4

使用Qt的QWebkit来解析HTML树。然后用它输出结果。这样可以清理一下HTML代码。

- Ankur Gupta

---

这不是有点过度了吗？QT不是我项目的依赖项，仅为此添加它似乎不是一个好主意... - Klaim

Answer 5

这篇文章几个小时前发布的。它只是一篇关于正则表达式的文章，但恰好包含了你想要的内容 :) 我认为这篇文章也可能会引起你的兴趣。

- Dunya Degirmenci

---

嗯...你的第一个链接是一篇写于近一年前的文章。也许“几个小时”是口误？;-) - Head Geek

哈哈，我实际上是指几个小时前在SO上发布的。我想我应该解释得更清楚 - 但再次原谅我，因为当时土耳其时间是凌晨4点，我已经苦苦挣扎了数小时，试图编写一个压缩程序 :) - Dunya Degirmenci

这些正则表达式存在已知的漏洞。而且，我怀疑你不想将它加载到 PCRE 中。 - Edward Z. Yang