Экранирование спецсимволов

[Sla]

Есть текст содержащий кавычки, апострофы, амперсанды

Бла "бла" 'бла' &бла& <a href="адрес ссылки, может содержать & ">ссылка может содержать спецсимволы</a> <любой текст в знаках больше меньше> <img src="адрес картинки может содержать &" alt="" />, а таже другие элементы разметки html, с атрибутами, значение которых заключается в двойные/одинарные кавычки

Чтобы все правильно выводилось и работало необходимо спецсимволы в тексте заменить на их html сущности,
но в тегах их не трогать, только амперсанд (&)

Кодировка UTF-8

htmlspecialchars( текст, ENT_QUOTES, 'UTF-8')
htmlentities

Действуют на весь текст

Может как-то попытаться разрулить ситуацию регулярными выражениями с callback'ом (preg_replace_callback)
Но здесь стоит вопрос о правильном регулярном выражении
Попробовал несколько вариантов
что-то не выходит каменный цветок

Как написать регулярку, чтоб не затронуть параметры тегов. Т.е. теги исключить из процесса замены.



 

[zubr]

А если вместо htmlspecialchars делать urlencode/urldecode ?

[Sla]

Здесь вопрос не в параметрах url

пример текста <span class="c1">текст в "span" </span> текст после "спан" <a href="address">название</a>

[RXL]

Ну, если в тексте не в встречается "<", то он с большой вероятностью восстановим.
Слав, попробуй tidy. Вроде он до HTML восстанавливает, а уж атрибуты потом можно регулярками поправить до XHTML.

[Sla]

текста не очень много, до 1к символов
можно распарсить html парсером, все текстовые ноды привести кправильному виду, и завернуть все обратно

[RXL]

http://ru.php.net/manual/en/book.tidy.php
Он для того и создан, чтобы кривой HTML исправлять.

Добавлено через 1 минуту и 46 секунд:
Слав, а это ты разовую работу выполняешь или что-то автоматизируешь от патологических искривлений?

[Sla]

условно разовая
Данные уже хранятся в базе, и хранятся в описанном виде:

Бла "бла" 'бла' &бла& <a href="адрес ссылки, может содержать & ">ссылка может содержать спецсимволы</a> <любой текст в знаках больше меньше> <img src="адрес картинки может содержать &" alt="" />, а также другие элементы разметки html, с атрибутами, значение которых заключается в двойные/одинарные кавычки

При выводе текста нужно спецсимволы превратить в html сущности

[RXL]

Или же исправить саму базу...
Подумать надо. Можно и регулярку на писать.
Когда-то аналогично мне пришлось статьи наши конвертировать, перед тем как мы их на форум перенесли.

[Avdey]

Напиши функцию которая делает так=)
Разбивает весь твой текст по символу в массив, далее идёт поэтапная проверка массива циклом while далее как встречаеться символ кавычки, апострофы, амперсанды преравнивает (заменяет) на их html сущности, а потом идёт дальше....короче какое хочешь условие и пиши туда.
str_replace(); - функция для преобразования строки в массив по символам.(вроде)

[RXL]

Как я уже говорил, главным символом является "<", т.к. с него начинаются теги. Написать универсальное выражение действительно проблематично, но можно делать ступенчатые проверки.

Поиск открывающего тега:

Код:

%<\s*([a-z]+)([^<>]*?)\s*>%i

Выражение захватывает тег целиком, подвыражения захватывают имя тега и блок, потенциально содержащий атрибуты.
Нужно проверить по списку, является ли имя допустимым, а атрибуты похожи на правду.

Проверка атрибутов (если строка атрибутов не пустая):

Код:

%(?:\s+([a-z]+)(|\s*=\s*'[^']*'|\s*=\*"[^"]*"))+\s*%i

Поиск закрывающего тега:

Код:

%<\s*/\s*([a-z]+)\s*>%i

Думаю, тут нужно не заменять на лету, а составить список смещений на начало и конец обнаруженных тегов, а потом по шагам обработать блоки.

[Sla]

Avdey, прочитай, что ты сказал
Идея уже понятна, и ее нужно только реализовать
Парится текст и... текстовые ноды преобразовываются,
Затем все лепится обратно.
Да... парсинг, конечно ведется циклом по одному символу, но существуют библиотеки парсинга.. так что...

[RXL]

Слав, а Tidy ты уже попробовал?

[Sla]

нет еще.

[RXL]

Попробуй сперва его - глядишь, изобретать ничего не надо будет.

[Sla]

еще не добрался до живых данных

Код:

function safeText ($node){
      if (isset($node->id)){
            if ($node->isText()) {
                  $node->value = //обрабатываем текст, боюсь что так делать нельзя
            }
      }
      if ($node->hasChildren()) {
            foreach ($node->child as $child) {
                  safeText($child);
            }
      }
}
//с конфигом чуть позжее
$tidy = tidy_parse_string('входящая строка','конфигурация');

в конфиге нашел...
numeric-entities, установив в тру вернет уже исправленный текст

Код:

$config = array('numeric-entities' => true);
$repairString = tidy->repairString('входящая строка',$config);

Черновик

[RXL]

1. Можно.т Только исследуй на счет ссылок. Чай быстрее.