ColdFusion：从图像标签中剥离图像标签属性

Question

我正在使用YUI富文本编辑器来格式化我正在构建的CMS中的textarea。 CMS允许用户上载并包括图像（其博客应用程序）。

在将textarea的内容写入数据库之前，我希望ColdFusion定位所有图像标签，并去除除SRC之外的任何无关属性。

例如：

<IMG src="foo.jpg" title="Foo!" alt="Foo!" height="100" width="100" style="border=1;">

应以另一端出现：

<IMG src="joo.jpg">

挑战：

1. 图像属性可以是示例中列出的任何属性，全部属性或不包含任何属性。
2. 图像属性可以是任何顺序
3. 图像标签可以位于文本区域中文本正文中的任何位置

如果有一种方法可以告诉YUI不允许任何图像属性，则可以省去这个ColdFusion练习，但是我不确定这是否（轻松）可行。

提前谢谢！

最好的祝福，

短剑的一种

Answer 1

最稳定，最安全的方法是将HTML加载到DOM中，从中删除不需要的位（或者，更安全地，去除除所需位之外的所有内容 ），然后将结果转换回字符串。

但是，据我所知，ColdFusion没有为HTML提供自己的DOM解析器（对于XML仅提供一个），并且YUI富文本编辑器不生成XML（即XHTML）。 这有点不幸，但不一定是死胡同。

1. 有很多可用于Java的HTML解析器 ，使用ColdFusion的Java对象很容易。 您可以在项目中包括其中之一。
2. 您可以将HTML输入转换为XHTML（通过jTidy），然后使用内置的XML解析器来实现清理。 完成后，您甚至可以使用jTidy将其转换回HTML。

为了让您入门，我为内置XML解析器的HTML元素和属性创建了一个示例严格的白名单解决方案：

<!--- to serve as an example of what you would get from jTidy --->
<cfset xhtml = XmlParse('
<html xmlns="http://www.w3.org/1999/xhtml">
  foo <img src="foo.jpg" title="Foo!" alt="Foo!" height="100" width="100" style="border=1;" />
  bar <a href="asdasdad" title="blah" target="baz" onmouseover="doSomethingEvil();">Link</a>
  baz <script type="text/javascript">doSomethingEvil();</script>
</html>', true)>

<!--- an easily configurable list of allowed elements and attributes --->
<cfset whiteList = StructNew()>
<cfset whiteList["html"] = "xmlns">
<cfset whiteList["head"] = "">
<cfset whiteList["body"] = "">
<cfset whiteList["img"]  = "src">
<cfset whiteList["a"]    = "href,title,name">

<!--- delete all attributes that are not white-listed --->
<cfloop collection="#whiteList#" item="tag">
  <cfset nodes = XmlSearch(xhtml, "//*[local-name() = '#tag#']")>
  <cfloop from="1" to="#ArrayLen(nodes)#" index="i">
    <cfset nodeAttrs = nodes[i].XmlAttributes>
    <cfloop list="#StructKeyList(nodeAttrs)#" index="attr">
      <cfif not ListFind(whiteList[tag], attr)>
        <cfset StructDelete(nodeAttrs, attr)>
      </cfif>
    </cfloop>
  </cfloop>
</cfloop>

<!--- delete all elements that are not white-listed --->
<cfset unwantedElements = XmlSearch(xhtml, "//*[not(contains(',#StructKeyList(whiteList)#,', concat(',',local-name(),',')))]")>
<cfloop from="1" to="#ArrayLen(unwantedElements)#" index="i">
  <cfset node = unwantedElements[i]>
  <cfset node.XmlAttributes["x-delete-flag"] = "true">

  <cfset parent = XmlSearch(node, "..")>
  <cfif ArrayLen(parent) eq 1 and StructKeyExists(parent[1], "XmlChildren")>
    <cfset childNodes = parent[1].XmlChildren>
    <cfloop from="#ArrayLen(childNodes)#" to="1" step="-1" index="k">
      <cfif StructKeyExists(childNodes[k].XmlAttributes, "x-delete-flag")>
        <cfset ArrayDeleteAt(childNodes, k)>
      </cfif>
    </cfloop>
  </cfif>
</cfloop>

完成后， xhtml的内容如下所示：

<?xml version="1.0" encoding="UTF-8"?>
<html xmlns="http://www.w3.org/1999/xhtml">
  foo <img src="foo.jpg"/>
  bar <a href="asdasdad" title="blah">Link</a>
  baz 
</html>

一些解释：

• 关于如何使Tidy在网上的ColdFusion中工作的方法有一些描述和UDF，只需查找它们即可。
• XML DOM处理在ColdFusion中很麻烦。 它既不美观也不优雅，但是比尝试使用（上帝禁止）正则表达式达到相同的效果要好。 我强烈建议您不要将它们用于此问题。
• 使用<cfdump>可以了解ColdFusion如何表示XML文档，并了解我的代码中发生了什么。
• 第二位（删除所有未列入白名单的元素）有点毛。 显然，不可能更优雅地从ColdFusion删除节点，因为ColdFusion XML节点确实不会公开parentNode()或removeChild() DOM方法。 此实现基于Ben Nadel删除CF中的DOM节点的方法 。 它有效，但是我很痛苦地意识到它很烂。 抱歉 ： - \\
• XPath：表达式"//*[not(contains(',#StructKeyList(whiteList)#,', concat(',',local-name(),',')))]"选择其本地名称为所有的节点（即不查看XML名称空间）不包含在允许名称列表中。 详细：
  • //是“文档中任何位置”的简写。
  • *表示“任何元素节点”。
  • 方括号表示条件。 多余的逗号是为了确保仅考虑完全匹配-否则，例如contains()将返回"a"作为"abbr"的匹配项。

Answer 2

我可能会分三步进行。 查找所有图像标签，从它们中提取数据，然后替换原始图像。

首先，识别图像标签。 我会使用正则表达式来做到这一点-像

<img [^>]+>

这基本上说：“启动图像标签，并抓住除右括号和右括号之外的所有内容。将其与reFind或reFindNoCase结合使用以获取每个图像标签的位置和长度。

接下来，由于只希望保留href，因此可以使用类似的方法找到它。 使用mid（）函数以及上方的位置/长度抓取标签。 现在，使用正则表达式获取href

href="[^"]+"

现在，您可以遍历结果，将每个图像标签替换为仅带有适当href的图像标签。