PHP清理粘貼微軟輸入

Question

我有一個網站，用戶可以使用自定義的TinyMCE實現發佈的東西（如在論壇，評論等）。他們中的很多人喜歡從Word複製&粘貼，這意味着他們的輸入通常會伴隨大量關聯的MS內聯格式。

我不能擺脫<span whatever>，因爲TinyMCE依賴span標籤進行一些格式化，我不能（也不想）強制用戶使用TinyMCE的「從Word粘貼」功能（這似乎並不能很好地工作）。

任何人都知道圖書館/類/功能，將爲我照顧這個？這一定是一個常見問題，儘管我找不到任何明確的答案。我最近一直在想，尋找特定於MS的模式的一系列蠻力正則表達式可能會訣竅，但我不想重寫一些可能已經可用的東西，除非我必須這樣做。

另外，修正捲曲引號，em-dashes等會很好。我現在有我自己的東西來做這件事，但我真的只想找到一個MS轉換過濾器來統治它們。

Answer 1

HTML Purifier將創建符合標準的標記並篩選出許多可能的攻擊（如XSS）。

對於不需要XSS過濾的更快清理，我使用PECL擴展Tidy，它是Tidy HTML實用程序的綁定。

如果那些幫助不到你，我建議你切換到具有此功能built-in的FCKEditor。

Answer 2

該網站http://word2cleanhtml.com/在從Word轉換中做得很好。我在PHP中使用它通過報廢，處理一些遺留的HTML，直到現在它工作得很好（結果是非常乾淨的<p>, <b>代碼）。當然，作爲一種外部服務，在您的案例中使用它進行在線處理並不好。

如果您嘗試它並且會帶來很多400錯誤，請嘗試先用Tidy過濾HTML。

Answer 3

在我的情況下，有一種模式。不需要的部分總是開始

<!-- [if gte mso 9]> 

並最終由

<![endif]--> 

所以我的解決方案是之前和該塊後切出一切：

$array = explode("<!-", $string, 2); 
$begin = $array[0]; 
$end=substr(strrchr($string,'[endif]-->'),10); 
echo $begin.$end; 

Answer 4

在我而言，這工作得很好：

$text = strip_tags($text, '<p><a><em><span>'); 

而不是試圖拉出你不想要的東西，如嵌入式單詞xml，你可以指定你是允許的標籤。