PHP清理粘贴微软输入

Question

我有一个网站，用户可以使用自定义的TinyMCE实现发布的东西（如在论坛，评论等）。他们中的很多人喜欢从Word复制&粘贴，这意味着他们的输入通常会伴随大量关联的MS内联格式。

我不能摆脱<span whatever>，因为TinyMCE依赖span标签进行一些格式化，我不能（也不想）强制用户使用TinyMCE的“从Word粘贴”功能（这似乎并不能很好地工作）。

任何人都知道图书馆/类/功能，将为我照顾这个？这一定是一个常见问题，尽管我找不到任何明确的答案。我最近一直在想，寻找特定于MS的模式的一系列蛮力正则表达式可能会诀窍，但我不想重写一些可能已经可用的东西，除非我必须这样做。

另外，修正卷曲引号，em-dashes等会很好。我现在有我自己的东西来做这件事，但我真的只想找到一个MS转换过滤器来统治它们。

Answer 1

HTML Purifier将创建符合标准的标记并筛选出许多可能的攻击（如XSS）。

对于不需要XSS过滤的更快清理，我使用PECL扩展Tidy，它是Tidy HTML实用程序的绑定。

如果那些帮助不到你，我建议你切换到具有此功能built-in的FCKEditor。

Answer 2

该网站http://word2cleanhtml.com/在从Word转换中做得很好。我在PHP中使用它通过报废，处理一些遗留的HTML，直到现在它工作得很好（结果是非常干净的<p>, <b>代码）。当然，作为一种外部服务，在您的案例中使用它进行在线处理并不好。

如果您尝试它并且会带来很多400错误，请尝试先用Tidy过滤HTML。

Answer 3

在我的情况下，有一种模式。不需要的部分总是开始

<!-- [if gte mso 9]> 

并最终由

<![endif]--> 

所以我的解决方案是之前和该块后切出一切：

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

Answer 4

在我而言，这工作得很好：

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

而不是试图拉出你不想要的东西，如嵌入式单词xml，你可以指定你是允许的标签。