正则表达式在尊重CDATA时转义HTML&符号

Question

我编写了一个内容管理系统,该系统使用服务器端正则表达式在页面响应中将&符号转发到客户端的浏览器之前.正则表达式注意到已经被转义或是HTML实体的一部分的&符号.例如,以下内容:

a & b, c & d, © 2009

改为:

a & b, c & d, © 2009

(只&修改了第一个.)这是正则表达式,它是从Rails助手中获取和修改的:

html.gsub(/&(?!([a-zA-Z][a-zA-Z0-9]*|(#\d+));)/) { |special| ERB::Util::HTML_ESCAPE[special] }

虽然这很好用但确实有问题.正则表达式不知道任何<![CDATA[或]]>可能围绕未转义的&符号.这对于嵌入式JavaScript保持不变是必要的.例如,这个:

<script type="text/javascript">
  // <![CDATA[
  if (a && b) doSomething();
  // ]]>
</script>

不幸的是这样呈现:

<script type="text/javascript">
  // <![CDATA[
  if (a &amp;&amp; b) doSomething();
  // ]]>
</script>

这当然是JavaScript引擎无法理解的.

我的问题是:有没有办法修改正则表达式,就像现在一样,除了它保持CDATA部分内的文本不变？

由于正则表达式开头并不那么简单,因此这个问题可能更容易回答:是否可以编写一个正则表达式,将所有字母更改为除<'和' 之间的字母之外的句点>？例如,一个会"some <words> are < safe! >"变成".... <words> ... < safe! >"？

Answer 1

你自找的!:d

/&(?!(?:[a-zA-Z][a-zA-Z0-9]*|#\d+);)
 (?!(?>(?:(?!<!\[CDATA\[|\]\]>).)*)\]\]>)/xm

第一行是你原来的正则表达式.如果]]>前面有一个CDATA结束序列(),则前瞻匹配,除非<!CDATA[这里和那之间有一个开放序列().假设文档格式最小,那应该意味着当前位置在CDATA部分内.

哎呀,我倒退了:通过使用正向前瞻我只在CDATA部分匹配"裸"&符号.我将它改为负向前瞻,所以现在它正常工作.

顺便说一下,这个正则表达式在Ruby模式下的RegexBuddy中工作,但不在rubular站点上工作.我怀疑Rubular使用旧版本的Ruby,并且支持不太强大的正则表达式; 任何人都可以确认吗？(您可能已经猜到了,我不是Ruby程序员.)

编辑:Rubular的问题是我使用's'作为修饰符(表示点匹配 - 所有内容),但Ruby使用'm'表示.