lycong

使用SAX对XML根据具体需求过滤标签和长度截取

       需要解决的问题是 根据一输入流读取一段XML内容,然后对其进行过滤截取,最后写回输出流中。具体说明如下:
1.对XML根据特定需求,过滤标签(如SCRIPT,FRAME等非标准HTML标签),过滤属性(如onclick,onblur等)
2.对XML进行长度截取,具体做法如下:
(1)对start标签的处理: 若加上start标签长度后超过最大允许长度,则去除该标签,且同时去除后面和该标签同一等级的所有标签。
(2)对text内容的处理:若加上text内容的长度后超过最大允许的长度,则从中截取text长度,并加上省略号......
(3)对end标签内容的处理:不做长度截取,且要做到自动补齐end标签。

        有关SAX的详细介绍,请查看最好的参考资料 http://www.saxproject.org/ 。其中有一个很重要的类 DefaultHandler, 该类中的startElement, endElement, characters 3个方法尤为重要。 为解决上述问题,需要设计2个类:HTMLWriter, HTMLFilter, 其中HTMLFilter是HTMLWriter的子类,HTMLWriter继承了DefaultHandler,其中最为关键的是要重写上述3个关键方法。

一.HTMLWriter类的代码:
这个类主要用于写操作,最重要是理解变量strippedElementLevel 的用法。上面问题的具体业务逻辑处理(标签的过滤和长度截取)将在子类HTMLFilter 解决。
package org.util.sax.html

import openxml.parser.HTMLdtd;
import openxml.parser.HTMLSAXParser;
import org.xml.sax.Attributes;
import org.xml.sax.SAXException;
import org.xml.sax.InputSource;
import org.xml.sax.XMLReader;
import org.xml.sax.ErrorHandler;
import org.xml.sax.ext.LexicalHandler;
import org.xml.sax.helpers.DefaultHandler;

import java.io.*;




public class HTMLWriter extends DefaultHandler implements LexicalHandler {

    
private ErrorHandler errorHandler;

    
private Writer out;

    
private int strippedElementLevel = 0; //用来作为start标签和end标签成对出现的标记(极为重要),具体算法思路类似于堆栈
    
private boolean inRawElement;


    
public void filter(String htmlContent) throws IOException, SAXException {
        filter(
new StringReader(htmlContent));
    }


    
public void filter(Reader in) throws IOException, SAXException {
        filter(
new InputSource(in));
    }


    
public void filter(InputSource in) throws IOException, SAXException {
        HTMLSAXParser parser 
= new HTMLSAXParser(errorHandler, false);
        parser.setLexicalHandler(
this);

        XMLReader htmlReader 
= new HTMLParserAdapter(parser);
        htmlReader.setFeature(
"http://xml.org/sax/features/namespaces"false);
        htmlReader.setContentHandler(
this);

        prepare();
        htmlReader.parse(in);
    }



    
protected void prepare() {
        
if (out == null{
            out 
= new StringWriter();
        }

    }



    
public void setErrorHandler(ErrorHandler errorHandler) {
        
this.errorHandler = errorHandler;
    }


    
public void setOut(Writer out) {
        
this.out = out;
    }


    
public Writer getOut() {
        
return out;
    }


    
public String getResultAsString() {
        
if (out instanceof StringWriter) {
            
return out.toString();
        }

        
throw new IllegalStateException("Not a buffered target");
    }



    @Override
    
public void startDocument() throws SAXException {
        prepare();
    }



    @Override
    
public final void startElement(String namespaceURI,
                             String localName,
                             String qName,
                             Attributes attrs) 
throws SAXException {
        
if (strippedElementLevel > 0{
            strippedElementLevel
++;
            
return;
        }


        
// features/namespace is false
        if (!startTag(qName, attrs)) {
            strippedElementLevel 
= 1;
        }

    }



    @Override
    
public final void endElement(String namespaceURI,
                                 String localName,
                                 String qName) 
throws SAXException {
        
if (strippedElementLevel > 0{
            strippedElementLevel
--;
            
return;
        }


        
// features/namespace is false
        endTag(qName);
    }



    
protected boolean startTag(String tagName, Attributes attrs) throws SAXException {

        String tagUpper 
= tagName.toUpperCase();

        inRawElement 
= "SCRIPT".equals(tagUpper) || "STYLE".equals(tagUpper);

        write(
'<');
        write(tagName);
        
for (int i = 0; i < attrs.getLength(); i++{
            
// features/namespace is false
            String attrName = attrs.getQName(i);
            attribute(tagUpper, attrName.toLowerCase(), attrName, attrs.getValue(i));
        }

        write(
'>');

        
return true;
    }



    
protected void endTag(String tagName) throws SAXException {
        inRawElement 
= false;
        
if (!isEmptyTag(tagName.toUpperCase())) {
            write(
"</");
            write(tagName);
            write(
'>');
        }

    }



    @Override
    
public  void characters(char[] ch, int start, int length) throws SAXException {
        
if (strippedElementLevel != 0{
            
return;
        }


        
if (inRawElement) {
            write(ch, start, length);
            
return;
        }


        text(ch, start, length);
    }



    
protected void text(char[] ch, int start, int length) throws SAXException {
        writeText(ch, start, length);
    }



    
public void startDTD(String tagName, String publicId, String systemId) throws SAXException {
        write(
"<!DOCTYPE ");
        write(tagName);
        write(
" PUBLIC ");
        write(
'"');
        write(publicId);
        write(
'"');
        write(
'>');
    }



    
public void endDTD() {}
    
public void startEntity(String name) {}
    
public void endEntity(String name) {}
    
public void startCDATA() {}
    
public void endCDATA() {}

    
public void comment(char ch[], int start, int length) throws SAXException {
        
/*
        if (strippedElementLevel == 0) {
            write("<!--");
            write(ch, start, length);
            write("-->");
        }
        
*/

    }



    @Override
    
public void ignorableWhitespace(char ch[], int start, int length) throws SAXException {
        
if (strippedElementLevel == 0{
            write(ch, start, length);
        }

    }



    
protected void attribute(final String tagUpper,  // 规范化的 TAG  名称 - 使用大写字母
                             final String attrLower, // 规范化的 属性 名称 - 使用小写字母
                             String attrName,
                             String attrValue) 
throws SAXException {
        write(
' ');
        write(attrName);
        
if (!isBoolean(attrLower, tagUpper)) {
            write(
'=');
            write(
'"');
            
for (int i = 0; i < attrValue.length(); i++{
                writeEncoded(attrValue.charAt(i), 
true);
            }

            write(
'"');
        }

    }



    
protected final void writeText(char[] ch, int start, int length) throws SAXException {
        writeTextWithEnd(ch, start, start 
+ length);
    }



    
protected final void writeTextWithEnd(char[] ch, int begin, int end) throws SAXException {
        
for (int i = begin; i < end; i++{
            writeEncoded(ch[i], 
false);
        }

    }



    
protected void writeEncoded(char c, boolean isAttr) throws SAXException {
        
switch (c) {
        
case '<':
            write(
"&lt;");
            
break;
        
case '>':
            write(
"&gt;");
            
break;
        
case '&':
            write(
"&amp;");
            
break;
        
case 0xa0// NBSP
            
// 暂时只特殊处理特殊字符 NBSP
            
// 当组信 NBSP 在转换到纯文本时可变成空格
            
// 但其它特殊字符没有简单的Ascii字符可替代, 因而这里也不执行替代
            write("&nbsp;");
            
break;
        
case '"':
            
if (isAttr) {
                write(
"&quot;");
                
break;
            }

        
default:
            write(c);
        }

    }


    
protected  void write(char c) throws SAXException {
        
try {
            out.write(c);
        }
 catch (IOException e) {
            
throw new SAXException(e);
        }

    }



    
protected  void write(char ch[], int start, int length) throws SAXException {
        
try {
            out.write(ch, start, length);
        }
 catch (IOException e) {
            
throw new SAXException(e);
        }

    }


    
protected  void write(String s) throws SAXException {
        
try {
            out.write(s);
        }
 catch (IOException e) {
            
throw new SAXException(e);
        }

    }



    
private static boolean isBoolean(String attrLower, String tagUpper) {
        
return HTMLdtd.isBoolean(attrLower, tagUpper);
    }


    
private static boolean isEmptyTag(String tagUpper) {
        
return HTMLdtd.isEmptyTag(tagUpper);
    }


}


二. HTMLFilter 类的代码:
主要解决标签过滤,即哪些标签和属性需要过滤,解决长度截取问题,即断点出现在startTag,text,endTag的情况应该如何解决。
主要理解重写父类HTMLWriter的几个方法:startTag(),characters(),comment(),attribute(), 另外需要一个成员变量currentLen记录当前写入的长度,在进行write()方法时要对currentLen变量进行叠加。

package org.util.sax.html;

import org.xml.sax.Attributes;
import org.xml.sax.SAXException;

import java.util.Map;
import java.io.Writer;
import java.io.CharArrayWriter;
import java.io.IOException;

public class HTMLFilter extends HTMLWriter {

    ConfigManager conf 
= CM.getConfig();
    Map
<String, String> cidMap;    //cid 和 正文内容图片 filename的 映射
        
    
private int currentLen; //当前已经写入out的长度
    private int maxLen; //允许push的最大长度
    private boolean ignore=false//当出现要截取时,就设为 true ,意味着如果ignore 为true时, 就以后的内容都要忽略。
    

    
public HTMLFilter(Map<String,String> map,int allowMessage_BodyLen) {
        
//super.setAllowContentLen(allowMessage_BodyLen);
        this.maxLen=allowMessage_BodyLen;
        
this.cidMap=map;
    }


    @Override
    
protected boolean startTag(String tagName, Attributes attrs) throws SAXException {
        
if (!isTagAllowed(tagName, attrs)) {
            
return false;
        }


        
if (ignore) {
            
return false;
        }


        Writer originalOutput 
= getOut();
        
int remainChars = getRemainChars();

        
if(remainChars == 0){
            ignore 
= true;
            write(
"");
            
return false;
        }


        CharArrayWriter capturedOutput 
= new CharArrayWriter();
        setOut(capturedOutput);

        
try {
            
if (super.startTag(tagName, attrs)) {
                
if (capturedOutput.toCharArray().length < remainChars) {
                    
try {
                        originalOutput.write(capturedOutput.toCharArray());
                        
return true;
                    }
 catch (IOException e) {
                        
throw new SAXException(e);
                    }

                }
                
            }

        }
 finally {
           setOut(originalOutput);
        }


        ignore 
= true;
        write(
"");
        
return false;
        
    }



    @Override
    
public  void characters(char[] ch, int start, int length) throws SAXException {
        
if (ignore) {      //如果长度已经超出限制,则不写
            return;
        }

        
int remainChars = getRemainChars();

        
if (remainChars == 0{
            ignore 
= true;
            write(
"");
            
return;
        }


        
if (remainChars < length) {       //当将要写入的 text 长度  大于 remainChars 时, 就写入所能够写入的字符,然后添加省略号
            ignore = true;
            
super.characters(ch, start, remainChars);
            write(
"");
        }
 else {
            
super.characters(ch, start, length);
        }

    }


    @Override
    
protected void endTag(String tagName) throws SAXException {
        
super.endTag(tagName);
    }


    
public void comment(char ch[], int start, int length) throws SAXException{
        
if(ignore){
            
return;
        }

        
int remainChars = getRemainChars();

        
if (remainChars == 0{
            ignore 
= true;
            write(
"");
            
return;
        }

        
if (remainChars < length) {
            ignore
=true;
            
super.comment(ch, start, remainChars);
            
        }
 else {
            
super.comment(ch, start, length);
        }


    }


    @Override
    
protected void attribute(final String tagUpper,
                             
final String attrLower,
                             
final String attrName,
                             String attrValue) 
throws SAXException {

        
if (attrLower.startsWith("on")) {
            
return;
        }

        
if (tagUpper.equalsIgnoreCase("IMG"&& attrLower.equalsIgnoreCase("src"&& attrValue.trim().indexOf("cid:"!= -1{
            attrValue
=attrValue.trim();
            
int cid_idx = attrValue.indexOf("cid:");
            String cid 
= attrValue.substring(cid_idx + 4);
           
// System.out.println("cid is: "+ cid);
            String photoName = cidMap.get(cid);
           
// System.out.println("photoName is: "+ photoName);
            if (photoName != null{
                
super.attribute(tagUpper, attrLower, attrName, "#{" + photoName + "}");
            }
 else{
                
super.attribute(tagUpper, attrLower, attrName, "#{" + " " + "}");
            }



        }
 else {
            attrValue 
= transformScript(attrValue);
            
super.attribute(tagUpper, attrLower, attrName, attrValue);
        }

    }


    
private String transformScript(final String data) {
        
if (true{
            
final String trimedData = data.trim();
            
final String scriptData = mySubstringAfterIgnoreCase(trimedData, "javascript:");
            
if (scriptData != null{
                
return "";
            }

        }

        
return data;
    }


    
protected boolean isTagAllowed(String tagName, Attributes attrs) {
        
if (tagName.equalsIgnoreCase("SCRIPT")) {
            
return false;
        }

        
if(tagName.equalsIgnoreCase("A")){    //超链接标签不push
            return false;
        }

        
if (tagName.equalsIgnoreCase("PARAM")) {
            String name 
= getAttrIgnoreCase(attrs, "name");
            
if ("movie".equalsIgnoreCase(name) || "src".equalsIgnoreCase(name)) {
                
return false;
            }

        }

        
/*
        if (tagName.equalsIgnoreCase("STYLE")) {
            return false;
        }
        
*/

        
if (tagName.equalsIgnoreCase("LINK"&&
                
"stylesheet".equalsIgnoreCase(getAttrIgnoreCase(attrs, "rel"))) {
            
return false;
        }

        
if (tagName.equals("FRAME"|| tagName.equals("FRAMESET")) {
            
return false;
        }

        
return true;
    }



    
private static String getAttrIgnoreCase(Attributes attrs, String name) {
        
for (int i = 0, len = attrs.getLength(); i < len; i++{
            
if (name.equalsIgnoreCase(attrs.getQName(i))) {
                
return attrs.getValue(i);
            }

        }

        
return null;
    }



    
/**
     * 忽略控制字符后, 判断是否以某字符串开始, 并返回匹配后的截取部分.
     * <p/>
     * <p/>
     * 注: 忽略控制字符是为了对付IE的安全漏洞
     *
     * 
@param source 源字符串
     * 
@param prefix 要匹配的前缀字符串
     * 
@return 如果测试成功, 返回截取后的字符串; 否则, 返回 null;
     
*/

    
static String mySubstringAfterIgnoreCase(String source, String prefix) {
        
int sourceLength = source.length();
        
int targetLength = prefix.length();

        
if (sourceLength < targetLength) {
            
return null;
        }


        
int sourceOffset = 0;
        
int targetOffset = 0;
        
char targetChar = Character.toUpperCase(prefix.charAt(targetOffset));

        
for (; sourceOffset < sourceLength; sourceOffset++{
            
char c = source.charAt(sourceOffset);
            
if (c < ' '{
                
// 忽略控制字符
                continue;
            }


            
if (Character.toUpperCase(c) != targetChar) {
                
break;
            }


            targetOffset
++;
            
if (targetOffset == targetLength) {
                
return source.substring(sourceOffset + 1);
            }


            targetChar 
= Character.toUpperCase(prefix.charAt(targetOffset));
        }


        
return null;
    }


    
protected void write(char c) throws SAXException {
        
super.write(c);
        currentLen
++;
    }


    
    
protected void write(char ch[], int start, int length) throws SAXException {
        
super.write(ch, start, length);
        currentLen 
+= length;
    }


    
    
protected  void write(String s) throws SAXException {
        
super.write(s);
        currentLen 
+= s.length();
    }


     
protected int getRemainChars(){        //求出还剩多少个字符可以写入
        return (maxLen - currentLen);
    }



}




 

posted on 2008-09-01 21:26 cong 阅读(923) 评论(0)  编辑  收藏 所属分类: JAVA


只有注册用户登录后才能发表评论。


网站导航:
 

My Links

Blog Stats

常用链接

留言簿(1)

随笔分类

随笔档案

搜索

最新评论

阅读排行榜

评论排行榜