帮助正则表达式？答案

【问题标题】：Help with Regex expression?帮助正则表达式？
【发布时间】：2011-04-07 03:08:44
【问题描述】：

我正在尝试使用 preg_replace 过滤成员 cmets。过滤 script 和 img 标签。如果 src 来自我的站点，请使用标签允许它，如果来自另一个站点，则只显示 src

正则表达式：

  <(\w+).+src=[\x22|'](?![^\x22']+mysite\.com[^\x22']+)([^\x22']+)[\x22|'].*>(?:</\1>)?

使用：

 preg_replace($pattern, $2, $comment);

评论：

Hi look at this!
<img src="http://www.mysite.com/blah/blah/image.jpg"></img>
<img src="http://mysite.com/blah/blah/image.jpg"></img>
<img src="http://subdomain.mysite.com/blah/blah/image.jpg"/>
<img src="http://www.mysite.fakesite.com/blah/blah/image.jpg"></img>
<img src="http://www.fakesite.com/blah/blah/image.jpg"></img>
<img src="http://fakesite.com/blah/blah/image.jpg"></img>
Which one is your favorite?

想要的结果：

 Hi look at this!
<img src="http://www.mysite.com/blah/blah/image.jpg"></img>
<img src="http://mysite.com/blah/blah/image.jpg"></img>
<img src="http://subdomain.mysite.com/blah/blah/image.jpg"/>
http://www.mysite.fakesite.com/blah/blah/image.jpg   (notice that it's just url, because it's not from my site)
http://www.fakesite.com/blah/blah/image.jpg
http://fakesite.com/blah/blah/image.jpg
Which one is your favorite?

有人发现有什么不对吗？

【问题讨论】：

标签： php regex

【解决方案1】：

我正在尝试使用 preg_replace 过滤成员 cmets。过滤 script 和 img 标签。

HTML Purifier 将是实现此目的的最佳工具，尽管您需要一个可接受标签和属性的白名单，而不是特定有害标签的黑名单。

【讨论】：

+1 你肯定想使用现有的库； HTML 清理是一项看似复杂的任务（如果您不相信，有already dozens of different exploits circulating out there）。 Here is a blog post 深入研究了一些风险并比较了一些可用的工具。

【解决方案2】：

我能看到的最大错误是尝试使用正则表达式来修改 HTML。

你应该使用DOMDOcument。

$dom = new DOMDocument('1.0', 'UTF-8');

$dom->loadHTML($content);

foreach($dom->getElementsByTag('img') as $element) {

    if ( ! $element->hasAttribute('src')) {
        continue;
    }

    $src = $element->getAttribute('src');

    $elementHost = parse_url($src, PHP_URL_HOST);
    $thisHost = $_SERVER['SERVER_NAME'];

    if ($elementHost != $thisHost) {
        $element->parentNode->insertBefore($dom->createTextNode($src), $element);
        $element->parentNode->removeChild($element);
    }

}

【讨论】：

【解决方案3】：

你应该使用即时通讯模式；

#<(\w+).+src=[\x22|'](?![^\x22']+mysite\.com[^\x22']+)([^\x22']+)[\x22|'].*>(?:</\1>)?#im

【讨论】：