Sanitize

Pe parser Nokogiri HTML pentru Ruby, steriliza este un sistem bazat pe whitelist pentru îndepărtarea HTML dintr-un bloc de text.
"Whitelist" tehnica va permite dezvoltatorilor pentru a seta o listă de tag-uri HTML care steriliza va folosi ca referință pentru ceea ce consideră "acceptabil" HTML.
Orice altă etichetă HTML nu în lista va fi eliminat din textul analizat.
Aseptizarea poate lucra cu standarde conforme sau cu HTML incorect.
Biblioteca poate detecta și filtra tag-uri HTML, atribute și protocoale.
Textul curățate vor fi întotdeauna scoase ca HTML sau XHTML valid.
Pentru a ajuta dezvoltatorii începe pe proiectele lor, sanitize vine cu cateva configuratii de-a gata incluse. Verificați fișierul README pentru mai multe detalii

Ce este nou în această versiune:.

• adăugat două setări noi CSS configurare,: at_rules_with_properties și:. at_rules_with_styles
• suport complet Adăugat reguli CSSpage în configurare relaxat, inclusiv suport pentru toate regulile cutie pagina marja.
• adaugă următoarea CSS la-norme la config relaxat.
• Adăugat o grămadă de proprietăți CSS la config relaxat. Vezi lista completă aici.
• îmbunătățiri de performanță mici.
• modernizate Crass la 1.0.2 pentru a ridica un fix care a afectat parsarea de reguli CSSpage.

Ce este nou în versiunea 3.1.2:

• fix: #document și #fragment eșuat pe congelate siruri de caractere, și ar putea modifica în mod neintenționat siruri necongelate dacă au folosit o codificare altele decât UTF-8 sau în cazul în care conține caractere care nu sunt permise în HTML.

Ce este nou în versiunea 3.0.2:

• Actualizat Nokogumbo la 1.1.12, deoarece 1.1. 11 a revenit în tăcere schimbarea am încercat să ridice în ultima versiune.

Ce este nou în versiunea 3.0.0:

• Adăugat suport igienizare CSS avansate folosind Crass, care este pe deplin conforme cu CSS Sintaxă Modulul Level 3 spec parsing. Conținutul lista albă & # x3c; stil & # x3e; elemente și stil atribute in HTML va fi dezinfectate ca CSS, sau puteți folosi steriliza :: clasă CSS de asanare manual de stil CSS sau proprietăți.
• Adaugata o: allow_doctype setare. Când adevărate definiții DOCTYPE, bine formate, vor fi permise în documente. Când false (implicit), definițiile DOCTYPE vor fi eliminate din documente. Definitii DOCTYPE nu sunt permise în fragmente, indiferent de această setare.
• adaugă următoarele elemente la config relaxat, în plus față de diverse atribute:. Articol, o parte, corp, date, div, subsol, cap, antet, HTML, principalul, nav, sectiunea, durata, stil, titlu
• : whitespace_elements configurare este acum un Hash, și vă permite să specificați textul care trebuie inserat înainte și după aceste elemente atunci când acestea sunt eliminate. De stil vechi pe baza de Array valoarea de configurare este încă susținută pentru compatibilitate înapoi.
• caractere Unicode necorespunzătoare sunt acum eliminate din HTML înainte de a fi analizat.
• fix:
• paranteze Non-tag în intrare, cum ar fi & quot; 1 & # x3e; 2 și 2 & # x3c; 1 & quot; sunt acum analizate și a scăpat în mod corect, în conformitate cu spec HTML5, devenind & quot; 1 & gt; 2 și 2 & lt; 1 & quot;.
• Fratii adăugate după nodul curent în timpul de traversare sunt acum, de asemenea traversate. În versiunile anterioare au fost pur și simplu ignorate.
• Nokogiri a fost lovit și instruiți pentru a opri adăugarea liniile după anumite elemente, pentru că dacă oamenii au vrut liniile acolo le-ar fi le-a pus acolo, la naiba.

Ce este nou în versiunea 2.0.6:

• Version 2.0.5 incluse accidental ceva de lucru, în Schimbări -progress care nu ar fi trebuit să făcut drumul lor în ramura de master.

Ce este nou în versiunea 1.2.1:

• Adăugat o: remove_contents setare config. Dacă este setat la true, sanitize va elimina conținutul tuturor elementelor non-lista albă în plus față de elementele în sine. Dacă este setat la o serie de nume de elemente, sanitize va elimina conținutul doar acele elemente (când filtrat), și se lasă conținutul altor elemente filtrate. [Vă mulțumim pentru Rafael Souza pentru opțiunea Array]
• Adaugata o: output_encoding config setarea pentru a permite codificarea caracterelor pentru ieșirea HTML să fie specificate. Valoarea implicită este "UTF-8".
• hash mediu a trecut în transformatoare include acum o: element node_name conține numele minuscule nodului HTML curent (de exemplu, & quot; div & quot;)
.
• Revenind altceva decât o Hash sau zero de la un transformator va ridica acum un semnificativ excepție steriliza :: Eroare, mai degrabă decât o NameError neintenționată.

Cerințe :

• Ruby 1.9.2 sau mai mare
• Nokogiri 1.4.4 sau mai mare