Вход Регистрация
Файл: libs/HTMLPurifier/HTMLPurifier/Lexer/DOMLex.php
Строк: 326
<?php

/**
 * Parser that uses PHP 5's DOM extension (part of the core).
 *
 * In PHP 5, the DOM XML extension was revamped into DOM and added to the core.
 * It gives us a forgiving HTML parser, which we use to transform the HTML
 * into a DOM, and then into the tokens.  It is blazingly fast (for large
 * documents, it performs twenty times faster than
 * HTMLPurifier_Lexer_DirectLex,and is the default choice for PHP 5.
 *
 * @note Any empty elements will have empty tokens associated with them, even if
 * this is prohibited by the spec. This is cannot be fixed until the spec
 * comes into play.
 *
 * @note PHP's DOM extension does not actually parse any entities, we use
 *       our own function to do that.
 *
 * @warning DOM tends to drop whitespace, which may wreak havoc on indenting.
 *          If this is a huge problem, due to the fact that HTML is hand
 *          edited and you are unable to get a parser cache that caches the
 *          the output of HTML Purifier while keeping the original HTML lying
 *          around, you may want to run Tidy on the resulting output or use
 *          HTMLPurifier_DirectLex
 */

class HTMLPurifier_Lexer_DOMLex extends HTMLPurifier_Lexer
{

    private 
$factory;

    public function 
__construct() {
        
// setup the factory
        
parent::__construct();
        
$this->factory = new HTMLPurifier_TokenFactory();
    }

    public function 
tokenizeHTML($html$config$context) {

        
$html $this->normalize($html$config$context);

        
// attempt to armor stray angled brackets that cannot possibly
        // form tags and thus are probably being used as emoticons
        
if ($config->get('Core.AggressivelyFixLt')) {
            
$char '[^a-z!/]';
            
$comment "/<!--(.*?)(-->|z)/is";
            
$html preg_replace_callback($comment, array($this'callbackArmorCommentEntities'), $html);
            do {
                
$old $html;
                
$html preg_replace("/<($char)/i"'&lt;\1'$html);
            } while (
$html !== $old);
            
$html preg_replace_callback($comment, array($this'callbackUndoCommentSubst'), $html); // fix comments
        
}

        
// preprocess html, essential for UTF-8
        
$html $this->wrapHTML($html$config$context);

        
$doc = new DOMDocument();
        
$doc->encoding 'UTF-8'// theoretically, the above has this covered

        
set_error_handler(array($this'muteErrorHandler'));
        
$doc->loadHTML($html);
        
restore_error_handler();

        
$tokens = array();
        
$this->tokenizeDOM(
            
$doc->getElementsByTagName('html')->item(0)-> // <html>
                  
getElementsByTagName('body')->item(0)-> //   <body>
                  
getElementsByTagName('div')->item(0)    //     <div>
            
$tokens);
        return 
$tokens;
    }

    
/**
     * Iterative function that tokenizes a node, putting it into an accumulator.
     * To iterate is human, to recurse divine - L. Peter Deutsch
     * @param $node     DOMNode to be tokenized.
     * @param $tokens   Array-list of already tokenized tokens.
     * @returns Tokens of node appended to previously passed tokens.
     */
    
protected function tokenizeDOM($node, &$tokens) {

        
$level 0;
        
$nodes = array($level => array($node));
        
$closingNodes = array();
        do {
            while (!empty(
$nodes[$level])) {
                
$node array_shift($nodes[$level]); // FIFO
                
$collect $level true false;
                
$needEndingTag $this->createStartNode($node$tokens$collect);
                if (
$needEndingTag) {
                    
$closingNodes[$level][] = $node;
                }
                if (
$node->childNodes && $node->childNodes->length) {
                    
$level++;
                    
$nodes[$level] = array();
                    foreach (
$node->childNodes as $childNode) {
                        
array_push($nodes[$level], $childNode);
                    }
                }
            }
            
$level--;
            if (
$level && isset($closingNodes[$level])) {
                while(
$node array_pop($closingNodes[$level])) {
                    
$this->createEndNode($node$tokens);
                }
            }
        } while (
$level 0);
    }

    
/**
     * @param $node  DOMNode to be tokenized.
     * @param $tokens   Array-list of already tokenized tokens.
     * @param $collect  Says whether or start and close are collected, set to
     *                    false at first recursion because it's the implicit DIV
     *                    tag you're dealing with.
     * @returns bool if the token needs an endtoken
     */
    
protected function createStartNode($node, &$tokens$collect) {
        
// intercept non element nodes. WE MUST catch all of them,
        // but we're not getting the character reference nodes because
        // those should have been preprocessed
        
if ($node->nodeType === XML_TEXT_NODE) {
            
$tokens[] = $this->factory->createText($node->data);
            return 
false;
        } elseif (
$node->nodeType === XML_CDATA_SECTION_NODE) {
            
// undo libxml's special treatment of <script> and <style> tags
            
$last end($tokens);
            
$data $node->data;
            
// (note $node->tagname is already normalized)
            
if ($last instanceof HTMLPurifier_Token_Start && ($last->name == 'script' || $last->name == 'style')) {
                
$new_data trim($data);
                if (
substr($new_data04) === '<!--') {
                    
$data substr($new_data4);
                    if (
substr($data, -3) === '-->') {
                        
$data substr($data0, -3);
                    } else {
                        
// Highly suspicious! Not sure what to do...
                    
}
                }
            }
            
$tokens[] = $this->factory->createText($this->parseData($data));
            return 
false;
        } elseif (
$node->nodeType === XML_COMMENT_NODE) {
            
// this is code is only invoked for comments in script/style in versions
            // of libxml pre-2.6.28 (regular comments, of course, are still
            // handled regularly)
            
$tokens[] = $this->factory->createComment($node->data);
            return 
false;
        } elseif (
            
// not-well tested: there may be other nodes we have to grab
            
$node->nodeType !== XML_ELEMENT_NODE
        
) {
            return 
false;
        }

        
$attr $node->hasAttributes() ? $this->transformAttrToAssoc($node->attributes) : array();

        
// We still have to make sure that the element actually IS empty
        
if (!$node->childNodes->length) {
            if (
$collect) {
                
$tokens[] = $this->factory->createEmpty($node->tagName$attr);
            }
            return 
false;
        } else {
            if (
$collect) {
                
$tokens[] = $this->factory->createStart(
                    
$tag_name $node->tagName// somehow, it get's dropped
                    
$attr
                
);
            }
            return 
true;
        }
    }

    protected function 
createEndNode($node, &$tokens) {
        
$tokens[] = $this->factory->createEnd($node->tagName);
    }


    
/**
     * Converts a DOMNamedNodeMap of DOMAttr objects into an assoc array.
     *
     * @param $attribute_list DOMNamedNodeMap of DOMAttr objects.
     * @returns Associative array of attributes.
     */
    
protected function transformAttrToAssoc($node_map) {
        
// NamedNodeMap is documented very well, so we're using undocumented
        // features, namely, the fact that it implements Iterator and
        // has a ->length attribute
        
if ($node_map->length === 0) return array();
        
$array = array();
        foreach (
$node_map as $attr) {
            
$array[$attr->name] = $attr->value;
        }
        return 
$array;
    }

    
/**
     * An error handler that mutes all errors
     */
    
public function muteErrorHandler($errno$errstr) {}

    
/**
     * Callback function for undoing escaping of stray angled brackets
     * in comments
     */
    
public function callbackUndoCommentSubst($matches) {
        return 
'<!--' strtr($matches[1], array('&amp;'=>'&','&lt;'=>'<')) . $matches[2];
    }

    
/**
     * Callback function that entity-izes ampersands in comments so that
     * callbackUndoCommentSubst doesn't clobber them
     */
    
public function callbackArmorCommentEntities($matches) {
        return 
'<!--' str_replace('&''&amp;'$matches[1]) . $matches[2];
    }

    
/**
     * Wraps an HTML fragment in the necessary HTML
     */
    
protected function wrapHTML($html$config$context) {
        
$def $config->getDefinition('HTML');
        
$ret '';

        if (!empty(
$def->doctype->dtdPublic) || !empty($def->doctype->dtdSystem)) {
            
$ret .= '<!DOCTYPE html ';
            if (!empty(
$def->doctype->dtdPublic)) $ret .= 'PUBLIC "' $def->doctype->dtdPublic '" ';
            if (!empty(
$def->doctype->dtdSystem)) $ret .= '"' $def->doctype->dtdSystem '" ';
            
$ret .= '>';
        }

        
$ret .= '<html><head>';
        
$ret .= '<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />';
        
// No protection if $html contains a stray </div>!
        
$ret .= '</head><body><div>'.$html.'</div></body></html>';
        return 
$ret;
    }

}

// vim: et sw=4 sts=4
Онлайн: 1
Реклама