Вход Регистрация
Файл: libs/HTMLPurifier/HTMLPurifier/Encoder.php
Строк: 586
<?php

/**
 * A UTF-8 specific character encoder that handles cleaning and transforming.
 * @note All functions in this class should be static.
 */
class HTMLPurifier_Encoder
{

    
/**
     * Constructor throws fatal error if you attempt to instantiate class
     */
    
private function __construct() {
        
trigger_error('Cannot instantiate encoder, call methods statically'E_USER_ERROR);
    }

    
/**
     * Error-handler that mutes errors, alternative to shut-up operator.
     */
    
public static function muteErrorHandler() {}

    
/**
     * Cleans a UTF-8 string for well-formedness and SGML validity
     *
     * It will parse according to UTF-8 and return a valid UTF8 string, with
     * non-SGML codepoints excluded.
     *
     * @note Just for reference, the non-SGML code points are 0 to 31 and
     *       127 to 159, inclusive.  However, we allow code points 9, 10
     *       and 13, which are the tab, line feed and carriage return
     *       respectively. 128 and above the code points map to multibyte
     *       UTF-8 representations.
     *
     * @note Fallback code adapted from utf8ToUnicode by Henri Sivonen and
     *       hsivonen@iki.fi at <http://iki.fi/hsivonen/php-utf8/> under the
     *       LGPL license.  Notes on what changed are inside, but in general,
     *       the original code transformed UTF-8 text into an array of integer
     *       Unicode codepoints. Understandably, transforming that back to
     *       a string would be somewhat expensive, so the function was modded to
     *       directly operate on the string.  However, this discourages code
     *       reuse, and the logic enumerated here would be useful for any
     *       function that needs to be able to understand UTF-8 characters.
     *       As of right now, only smart lossless character encoding converters
     *       would need that, and I'm probably not going to implement them.
     *       Once again, PHP 6 should solve all our problems.
     */
    
public static function cleanUTF8($str$force_php false) {

        
// UTF-8 validity is checked since PHP 4.3.5
        // This is an optimization: if the string is already valid UTF-8, no
        // need to do PHP stuff. 99% of the time, this will be the case.
        // The regexp matches the XML char production, as well as well as excluding
        // non-SGML codepoints U+007F to U+009F
        
if (preg_match('/^[x{9}x{A}x{D}x{20}-x{7E}x{A0}-x{D7FF}x{E000}-x{FFFD}x{10000}-x{10FFFF}]*$/Du'$str)) {
            return 
$str;
        }

        
$mState 0// cached expected number of octets after the current octet
                     // until the beginning of the next UTF8 character sequence
        
$mUcs4  0// cached Unicode character
        
$mBytes 1// cached expected number of octets in the current sequence

        // original code involved an $out that was an array of Unicode
        // codepoints.  Instead of having to convert back into UTF-8, we've
        // decided to directly append valid UTF-8 characters onto a string
        // $out once they're done.  $char accumulates raw bytes, while $mUcs4
        // turns into the Unicode code point, so there's some redundancy.

        
$out '';
        
$char '';

        
$len strlen($str);
        for(
$i 0$i $len$i++) {
            
$in ord($str{$i});
            
$char .= $str[$i]; // append byte to char
            
if (== $mState) {
                
// When mState is zero we expect either a US-ASCII character
                // or a multi-octet sequence.
                
if (== (0x80 & ($in))) {
                    
// US-ASCII, pass straight through.
                    
if (($in <= 31 || $in == 127) &&
                        !(
$in == || $in == 13 || $in == 10// save rtn
                    
) {
                        
// control characters, remove
                    
} else {
                        
$out .= $char;
                    }
                    
// reset
                    
$char '';
                    
$mBytes 1;
                } elseif (
0xC0 == (0xE0 & ($in))) {
                    
// First octet of 2 octet sequence
                    
$mUcs4 = ($in);
                    
$mUcs4 = ($mUcs4 0x1F) << 6;
                    
$mState 1;
                    
$mBytes 2;
                } elseif (
0xE0 == (0xF0 & ($in))) {
                    
// First octet of 3 octet sequence
                    
$mUcs4 = ($in);
                    
$mUcs4 = ($mUcs4 0x0F) << 12;
                    
$mState 2;
                    
$mBytes 3;
                } elseif (
0xF0 == (0xF8 & ($in))) {
                    
// First octet of 4 octet sequence
                    
$mUcs4 = ($in);
                    
$mUcs4 = ($mUcs4 0x07) << 18;
                    
$mState 3;
                    
$mBytes 4;
                } elseif (
0xF8 == (0xFC & ($in))) {
                    
// First octet of 5 octet sequence.
                    //
                    // This is illegal because the encoded codepoint must be
                    // either:
                    // (a) not the shortest form or
                    // (b) outside the Unicode range of 0-0x10FFFF.
                    // Rather than trying to resynchronize, we will carry on
                    // until the end of the sequence and let the later error
                    // handling code catch it.
                    
$mUcs4 = ($in);
                    
$mUcs4 = ($mUcs4 0x03) << 24;
                    
$mState 4;
                    
$mBytes 5;
                } elseif (
0xFC == (0xFE & ($in))) {
                    
// First octet of 6 octet sequence, see comments for 5
                    // octet sequence.
                    
$mUcs4 = ($in);
                    
$mUcs4 = ($mUcs4 1) << 30;
                    
$mState 5;
                    
$mBytes 6;
                } else {
                    
// Current octet is neither in the US-ASCII range nor a
                    // legal first octet of a multi-octet sequence.
                    
$mState 0;
                    
$mUcs4  0;
                    
$mBytes 1;
                    
$char '';
                }
            } else {
                
// When mState is non-zero, we expect a continuation of the
                // multi-octet sequence
                
if (0x80 == (0xC0 & ($in))) {
                    
// Legal continuation.
                    
$shift = ($mState 1) * 6;
                    
$tmp $in;
                    
$tmp = ($tmp 0x0000003F) << $shift;
                    
$mUcs4 |= $tmp;

                    if (
== --$mState) {
                        
// End of the multi-octet sequence. mUcs4 now contains
                        // the final Unicode codepoint to be output

                        // Check for illegal sequences and codepoints.

                        // From Unicode 3.1, non-shortest form is illegal
                        
if (((== $mBytes) && ($mUcs4 0x0080)) ||
                            ((
== $mBytes) && ($mUcs4 0x0800)) ||
                            ((
== $mBytes) && ($mUcs4 0x10000)) ||
                            (
$mBytes) ||
                            
// From Unicode 3.2, surrogate characters = illegal
                            
(($mUcs4 0xFFFFF800) == 0xD800) ||
                            
// Codepoints outside the Unicode range are illegal
                            
($mUcs4 0x10FFFF)
                        ) {

                        } elseif (
0xFEFF != $mUcs4 && // omit BOM
                            // check for valid Char unicode codepoints
                            
(
                                
0x9 == $mUcs4 ||
                                
0xA == $mUcs4 ||
                                
0xD == $mUcs4 ||
                                (
0x20 <= $mUcs4 && 0x7E >= $mUcs4) ||
                                
// 7F-9F is not strictly prohibited by XML,
                                // but it is non-SGML, and thus we don't allow it
                                
(0xA0 <= $mUcs4 && 0xD7FF >= $mUcs4) ||
                                (
0x10000 <= $mUcs4 && 0x10FFFF >= $mUcs4)
                            )
                        ) {
                            
$out .= $char;
                        }
                        
// initialize UTF8 cache (reset)
                        
$mState 0;
                        
$mUcs4  0;
                        
$mBytes 1;
                        
$char '';
                    }
                } else {
                    
// ((0xC0 & (*in) != 0x80) && (mState != 0))
                    // Incomplete multi-octet sequence.
                    // used to result in complete fail, but we'll reset
                    
$mState 0;
                    
$mUcs4  0;
                    
$mBytes 1;
                    
$char ='';
                }
            }
        }
        return 
$out;
    }

    
/**
     * Translates a Unicode codepoint into its corresponding UTF-8 character.
     * @note Based on Feyd's function at
     *       <http://forums.devnetwork.net/viewtopic.php?p=191404#191404>,
     *       which is in public domain.
     * @note While we're going to do code point parsing anyway, a good
     *       optimization would be to refuse to translate code points that
     *       are non-SGML characters.  However, this could lead to duplication.
     * @note This is very similar to the unichr function in
     *       maintenance/generate-entity-file.php (although this is superior,
     *       due to its sanity checks).
     */

    // +----------+----------+----------+----------+
    // | 33222222 | 22221111 | 111111   |          |
    // | 10987654 | 32109876 | 54321098 | 76543210 | bit
    // +----------+----------+----------+----------+
    // |          |          |          | 0xxxxxxx | 1 byte 0x00000000..0x0000007F
    // |          |          | 110yyyyy | 10xxxxxx | 2 byte 0x00000080..0x000007FF
    // |          | 1110zzzz | 10yyyyyy | 10xxxxxx | 3 byte 0x00000800..0x0000FFFF
    // | 11110www | 10wwzzzz | 10yyyyyy | 10xxxxxx | 4 byte 0x00010000..0x0010FFFF
    // +----------+----------+----------+----------+
    // | 00000000 | 00011111 | 11111111 | 11111111 | Theoretical upper limit of legal scalars: 2097151 (0x001FFFFF)
    // | 00000000 | 00010000 | 11111111 | 11111111 | Defined upper limit of legal scalar codes
    // +----------+----------+----------+----------+

    
public static function unichr($code) {
        if(
$code 1114111 or $code or
          (
$code >= 55296 and $code <= 57343) ) {
            
// bits are set outside the "valid" range as defined
            // by UNICODE 4.1.0
            
return '';
        }

        
$x $y $z $w 0;
        if (
$code 128) {
            
// regular ASCII character
            
$x $code;
        } else {
            
// set up bits for UTF-8
            
$x = ($code 63) | 128;
            if (
$code 2048) {
                
$y = (($code 2047) >> 6) | 192;
            } else {
                
$y = (($code 4032) >> 6) | 128;
                if(
$code 65536) {
                    
$z = (($code >> 12) & 15) | 224;
                } else {
                    
$z = (($code >> 12) & 63) | 128;
                    
$w = (($code >> 18) & 7)  | 240;
                }
            }
        }
        
// set up the actual character
        
$ret '';
        if(
$w$ret .= chr($w);
        if(
$z$ret .= chr($z);
        if(
$y$ret .= chr($y);
        
$ret .= chr($x);

        return 
$ret;
    }

    
/**
     * Converts a string to UTF-8 based on configuration.
     */
    
public static function convertToUTF8($str$config$context) {
        
$encoding $config->get('Core.Encoding');
        if (
$encoding === 'utf-8') return $str;
        static 
$iconv null;
        if (
$iconv === null$iconv function_exists('iconv');
        
set_error_handler(array('HTMLPurifier_Encoder''muteErrorHandler'));
        if (
$iconv && !$config->get('Test.ForceNoIconv')) {
            
$str iconv($encoding'utf-8//IGNORE'$str);
            if (
$str === false) {
                
// $encoding is not a valid encoding
                
restore_error_handler();
                
trigger_error('Invalid encoding ' $encodingE_USER_ERROR);
                return 
'';
            }
            
// If the string is bjorked by Shift_JIS or a similar encoding
            // that doesn't support all of ASCII, convert the naughty
            // characters to their true byte-wise ASCII/UTF-8 equivalents.
            
$str strtr($strHTMLPurifier_Encoder::testEncodingSupportsASCII($encoding));
            
restore_error_handler();
            return 
$str;
        } elseif (
$encoding === 'iso-8859-1') {
            
$str utf8_encode($str);
            
restore_error_handler();
            return 
$str;
        }
        
trigger_error('Encoding not supported, please install iconv'E_USER_ERROR);
    }

    
/**
     * Converts a string from UTF-8 based on configuration.
     * @note Currently, this is a lossy conversion, with unexpressable
     *       characters being omitted.
     */
    
public static function convertFromUTF8($str$config$context) {
        
$encoding $config->get('Core.Encoding');
        if (
$encoding === 'utf-8') return $str;
        static 
$iconv null;
        if (
$iconv === null$iconv function_exists('iconv');
        if (
$escape $config->get('Core.EscapeNonASCIICharacters')) {
            
$str HTMLPurifier_Encoder::convertToASCIIDumbLossless($str);
        }
        
set_error_handler(array('HTMLPurifier_Encoder''muteErrorHandler'));
        if (
$iconv && !$config->get('Test.ForceNoIconv')) {
            
// Undo our previous fix in convertToUTF8, otherwise iconv will barf
            
$ascii_fix HTMLPurifier_Encoder::testEncodingSupportsASCII($encoding);
            if (!
$escape && !empty($ascii_fix)) {
                
$clear_fix = array();
                foreach (
$ascii_fix as $utf8 => $native$clear_fix[$utf8] = '';
                
$str strtr($str$clear_fix);
            }
            
$str strtr($strarray_flip($ascii_fix));
            
// Normal stuff
            
$str iconv('utf-8'$encoding '//IGNORE'$str);
            
restore_error_handler();
            return 
$str;
        } elseif (
$encoding === 'iso-8859-1') {
            
$str utf8_decode($str);
            
restore_error_handler();
            return 
$str;
        }
        
trigger_error('Encoding not supported'E_USER_ERROR);
    }

    
/**
     * Lossless (character-wise) conversion of HTML to ASCII
     * @param $str UTF-8 string to be converted to ASCII
     * @returns ASCII encoded string with non-ASCII character entity-ized
     * @warning Adapted from MediaWiki, claiming fair use: this is a common
     *       algorithm. If you disagree with this license fudgery,
     *       implement it yourself.
     * @note Uses decimal numeric entities since they are best supported.
     * @note This is a DUMB function: it has no concept of keeping
     *       character entities that the projected character encoding
     *       can allow. We could possibly implement a smart version
     *       but that would require it to also know which Unicode
     *       codepoints the charset supported (not an easy task).
     * @note Sort of with cleanUTF8() but it assumes that $str is
     *       well-formed UTF-8
     */
    
public static function convertToASCIIDumbLossless($str) {
        
$bytesleft 0;
        
$result '';
        
$working 0;
        
$len strlen($str);
        for( 
$i 0$i $len$i++ ) {
            
$bytevalue ord$str[$i] );
            if( 
$bytevalue <= 0x7F ) { //0xxx xxxx
                
$result .= chr$bytevalue );
                
$bytesleft 0;
            } elseif( 
$bytevalue <= 0xBF ) { //10xx xxxx
                
$working $working << 6;
                
$working += ($bytevalue 0x3F);
                
$bytesleft--;
                if( 
$bytesleft <= ) {
                    
$result .= "&#" $working ";";
                }
            } elseif( 
$bytevalue <= 0xDF ) { //110x xxxx
                
$working $bytevalue 0x1F;
                
$bytesleft 1;
            } elseif( 
$bytevalue <= 0xEF ) { //1110 xxxx
                
$working $bytevalue 0x0F;
                
$bytesleft 2;
            } else { 
//1111 0xxx
                
$working $bytevalue 0x07;
                
$bytesleft 3;
            }
        }
        return 
$result;
    }

    
/**
     * This expensive function tests whether or not a given character
     * encoding supports ASCII. 7/8-bit encodings like Shift_JIS will
     * fail this test, and require special processing. Variable width
     * encodings shouldn't ever fail.
     *
     * @param string $encoding Encoding name to test, as per iconv format
     * @param bool $bypass Whether or not to bypass the precompiled arrays.
     * @return Array of UTF-8 characters to their corresponding ASCII,
     *      which can be used to "undo" any overzealous iconv action.
     */
    
public static function testEncodingSupportsASCII($encoding$bypass false) {
        static 
$encodings = array();
        if (!
$bypass) {
            if (isset(
$encodings[$encoding])) return $encodings[$encoding];
            
$lenc strtolower($encoding);
            switch (
$lenc) {
                case 
'shift_jis':
                    return array(
"xC2xA5" => '\', "xE2x80xBE" => '~');
                case '
johab':
                    return array("xE2x82xA9" => '
\');
            }
            if (strpos($lenc, '
iso-8859-') === 0) return array();
        }
        $ret = array();
        set_error_handler(array('
HTMLPurifier_Encoder', 'muteErrorHandler'));
        if (iconv('
UTF-8', $encoding, 'a') === false) return false;
        for ($i = 0x20; $i <= 0x7E; $i++) { // all printable ASCII chars
            $c = chr($i); // UTF-8 char
            $r = iconv('
UTF-8', "$encoding//IGNORE", $c); // initial conversion
            if (
                $r === '' ||
                // This line is needed for iconv implementations that do not
                // omit characters that do not exist in the target character set
                ($r === $c && iconv($encoding, '
UTF-8//IGNORE', $r) !== $c)
            
) {
                
// Reverse engineer: what's the UTF-8 equiv of this byte
                // sequence? This assumes that there's no variable width
                // encoding that doesn't support ASCII.
                
$ret[iconv($encoding'UTF-8//IGNORE'$c)] = $c;
            }
        }
        
restore_error_handler();
        
$encodings[$encoding] = $ret;
        return 
$ret;
    }


}

// vim: et sw=4 sts=4
Онлайн: 0
Реклама