Perl: HTML parsen mit Standalone-Tags

MitjaStachowiak · #1 (**permalink**) 21.04.2013, 13:43

Hallo,
ich verwende das Modul HTML::Parser, um HTML-Code, der von Anwendern hochgeladen wird, zu überprüfen. Ein Aspekt ist, dass alle Elemente, die geöffnet werden, wieder geschlossen werden müssen.
Also folgender Code wäre ok:

HTML-Code:

<P>hallo <SPAN style="">test</SPAN><B>fett</B></P>

Folgender Code soll einen Fehler erzeugen und nicht eingebunden werden:

HTML-Code:

<P>hallo <SPAN style="">test
oder:
<P> hallo <SPAN style="">test</DIV></P>

Ich verwende aktuell diesen Code:

Code:

 my $HTML = '<P>hallo,<BR><SPAN> test</SPAN></P>';
 my $open = 0;
 sub InnerHTML_start {
  $open++;
 }
 sub InnerHTML_end {
  $open--;
 }
 my $p = HTML::Parser->new(
  api_version => 3,
  start_h => [\&InnerHTML_start,"tagname, attr, attrseq, text"],
  end_h => [\&InnerHTML_end,"tagname"],
 );
 $p->parse($HTML);
 $p->eof;
 print($open); // prints 1

Wenn genau so viele Elemente geöffnet, wie auch geschlossen werden, soll 0 ausgegeben werden (Sicher, das muss noch verfeinert werden), es wird aber 1 ausgegeben. Das liegt an dem Standalone-Tag <BR>.

Wie bekomme ich das am besten in den Griff?

Im Zweifelsfall könnte ich Anhand einer Liste alle Standalone-Tags gesondert betrachten. Aber wo finde ich eine Liste mit allen Standalone-Tags?

fricca · #2 (**permalink**) 21.04.2013, 14:28

Zitat:

Zitat von MitjaStachowiak

Aber wo finde ich eine Liste mit allen Standalone-Tags?

Beim W3C. Hier für HTML 4: Index of the HTML 4 Elements
"Empty elements" heißen die Elemente, für die es kein Schlusstag gibt. Außerdem gibt es auch noch Elemente, für die es optional ist. Dazu gehört z.B. das p-Element.

MitjaStachowiak · #3 (**permalink**) 21.04.2013, 14:34

Auha

Das wird wohl komplizierter, als ich dachte. Naja, wenn was Sinnvolles bei raus kommt, poste ich das Ergebnis.

Ich brauche das Script aus folgenden Grund: Ich habe quasi eine serverseitige innerHTML-Funktion. Zum Beispiel hat ein Benutzer nur das Recht, Elemente zu bearbeiten, die nicht öffentlich sichtbar sind. Wenn so ein Benutzer dann das Recht hat, Element "Qxxx01" zu bearbeiten, also ein bereits von einem anderen Administrator angelegtes Element:

HTML-Code:

<DIV id="Qxxx01" style="display : none; ">
</DIV>

..., dann darf natürlich ein Inhalt, wie

HTML-Code:

<\DIV>
<DIV style="display : block; ">
Sichtbar!

nicht in dieses Element eingefügt werden

Vielen Dank.

MitjaStachowiak · #4 (**permalink**) 21.04.2013, 16:33

Hm, was bedeutet das denn, wenn bei Start-Tag ein O steht?

Heißt das, dass etwas, wie:

HTML-Code:

<HTML>
 </HEAD>
  <SPAN>text</SPAN>
 </BODY>
</HTML>

erlaubt ist??

fricca · #5 (**permalink**) 21.04.2013, 16:34

Die Legende steht ganz oben.

Zitat:

Legend: Optional, Forbidden, Empty, Deprecated, Loose DTD, Frameset DTD

Das body-Element kann man ganz weglassen. Lies bitte bei den einzelnen Elementen nach, da steht das alles.
edit: Wenn du wissen willst, was "korrekt" ist: Nutz den Validator.

Was du da vorhast halte ich für überaus komplex -- und es würde mich sehr wundern, wenn es sowas nicht bereits von jemandem gibt.

MitjaStachowiak · #6 (**permalink**) 21.04.2013, 16:49

Ja, aber zum Beispiel das SPAN-Element kann man auch ganz weglassen...
Zum Glück fallen außer TBody sowieso alle Elemente, die einen optionalen Start-Tag verwenden, aus der Liste an möglichen ELementen für innerHTML.

Wenn jemand jemand kennt, der das schon geschrieben hat, nehme ich das dankend an.

Aber ich bin definitiv kein Experte darin, fertige Quelltexte zu finden und einzubauen.

fricca · #7 (**permalink**) 21.04.2013, 16:57

Zitat:

Zitat von MitjaStachowiak

Ja, aber zum Beispiel das SPAN-Element kann man auch ganz weglassen...

Nein. Dann existiert es nicht.
"Optionale Elemente" wie body, head, html werden vom Browser ergänzt.

MitjaStachowiak · #8 (**permalink**) 21.04.2013, 18:29

Ahaa, das macht Sinn.

MitjaStachowiak · #9 (**permalink**) 25.04.2013, 17:12

So, für's erste:
http://www.mitjastachowiak.de/?/Proj...Lib/CheckHTML/

Wer Bugs findet, bitte melden.

**Muss meine Homepage auch dringend mal wieder überarbeiten**

Themen-Optionen
Druckbare Version zeigen Jemanden per E-Mail auf dieses Thema hinweisen
Ansicht
Linear-Darstellung Zur Hybrid-Darstellung wechseln Zur Baum-Darstellung wechseln

Ähnliche Themen
Thema	Autor	Forum	Antworten	Letzter Beitrag
Mit Excel HTML Tags in *.csv Daten speichern?	elTorito	Offtopic	6	25.09.2009 10:39
Strings die HTML Tags enthalten erkennen?	braindead	Serveradministration und serverseitige Scripte	7	30.12.2008 19:54
Wie parse ich mit php Markdown syntax nach html?	asdfgqw	Serveradministration und serverseitige Scripte	0	03.06.2008 01:11
Word Docs in vernünftiges HTML konvertieren?	Titus	Offtopic	3	30.11.2006 11:46
Eigene Tags in XHTML 1.1	x-sharp	(X)HTML	8	03.03.2005 21:53