[發(fā)明專利]一種含格式的html富文本數(shù)據(jù)的跨標(biāo)簽處理方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201310545888.2
• 申請日: 2013-11-06
• 公開（公告）號(hào): CN103530430A
• 公開（公告）日: 2014-01-22
• 發(fā)明（設(shè)計(jì)）人: 邢世康
• 申請（專利權(quán)）人: 焦點(diǎn)科技股份有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 南京知識(shí)律師事務(wù)所 32207
• 代理人: 張?zhí)K沛

技術(shù)領(lǐng)域

本發(fā)明應(yīng)用在web互聯(lián)網(wǎng)領(lǐng)域，具體涉及一種含格式的html富文本數(shù)據(jù)的跨標(biāo)簽處理方法及系統(tǒng)。

背景技術(shù)

互聯(lián)網(wǎng)中需要處理大量用戶提交的數(shù)據(jù)，大多數(shù)情況下，用戶提交的數(shù)據(jù)都是由純文字組成，但很多情況下，用戶提交的信息是含有格式標(biāo)簽的富文本數(shù)據(jù)，例如博客中具有豐富多樣展現(xiàn)形式的信息，用戶使用的自主建站服務(wù)以及電子商務(wù)賣家都具備多樣化展示的功能。

因?yàn)樵诤芏囝I(lǐng)域用戶能編輯定制化的html富文本數(shù)據(jù)，這些富文本數(shù)據(jù)都含有格式標(biāo)簽。但是用戶提交的html富文本數(shù)據(jù)中包含有很多不可靠因素，它們會(huì)產(chǎn)生一些負(fù)面因素，影響網(wǎng)站內(nèi)容，以及網(wǎng)站運(yùn)行的質(zhì)量和安全，總結(jié)起來，這些負(fù)面因素主要包括以下幾類：

（1）不安全的因素，例如攻擊代碼等。

（2）提交的內(nèi)容不規(guī)范，影響網(wǎng)站內(nèi)容的質(zhì)量。

（3）提交的內(nèi)容含有不健康、違禁的內(nèi)容。

例如，提交的html富文本數(shù)據(jù)包含有“<strong>pass</strong>word”，這段含有格式的文本中，其中“pass”顯示為粗體，“word”為正常字體，在頁面顯示效果類似“password”，其中“<strong></strong>”為格式標(biāo)簽。假設(shè)其中的“pass”和“word”都是可被網(wǎng)站允許的正常單詞，但是組合起來的“password”是敏感詞，是需要被禁止的。在這種情況下，由于“password”在提交的HTML富文本數(shù)據(jù)是表現(xiàn)為“<strong>pass</strong>word”，“password”被格式標(biāo)簽“</strong>”分離成“pass”和“word”，而系統(tǒng)認(rèn)為“pass”和“word”是合法的單詞，都是允許通過。在類似這種情況下，如果含有格式的富文本數(shù)據(jù)不進(jìn)行跨標(biāo)簽處理，將會(huì)把不健康、違禁的、以及不合法的內(nèi)容顯示出來。

從處理方法來看，google的網(wǎng)頁翻譯工具涉及到類似情況的處理，但在html網(wǎng)頁翻譯的處理上，google目前還只是實(shí)現(xiàn)對(duì)各個(gè)標(biāo)簽內(nèi)部文本數(shù)據(jù)的處理，并沒有涉及到跨標(biāo)簽的富文本數(shù)據(jù)的處理。

類似這種跨標(biāo)簽的處理需求有很多，跨標(biāo)簽的處理存在兩種情況，一種是只做分析，這種情況下對(duì)html富文本數(shù)據(jù)進(jìn)行解析，提取其中實(shí)際有效的文字，然后做分析。另一種是不僅做分析，還要做處理，然后再返回處理過后信息內(nèi)容，例如對(duì)于上述中“password”識(shí)別后，將“password”單詞轉(zhuǎn)換為“Pasword”，并在轉(zhuǎn)換后，并恢復(fù)既定的富文本格式，并且在恢復(fù)處理中，使最終結(jié)果為最佳效果：“<strong>Pas</strong>word”，而不是“<strong>Pasw</strong>ord”或其他結(jié)果。

目前有一些方法處理這種跨標(biāo)簽問題，其中占位還原法用的比較普遍，這種方法通常對(duì)html富文本數(shù)據(jù)進(jìn)行逐字分析，找到其中的標(biāo)簽，并用特定標(biāo)志進(jìn)行標(biāo)識(shí)，對(duì)整個(gè)富文本數(shù)據(jù)作完標(biāo)識(shí)后，再根據(jù)業(yè)務(wù)對(duì)標(biāo)識(shí)處進(jìn)行處理。這種方法一般只能用來處理一種業(yè)務(wù)，通用性不強(qiáng)，而互聯(lián)網(wǎng)處理方面情況眾多，業(yè)務(wù)復(fù)雜，需要處理方法具有一定的通用性。

為了防止用戶提交的html富文本數(shù)據(jù)不會(huì)破壞整個(gè)網(wǎng)站的安全性，以及網(wǎng)站整體協(xié)調(diào)性，需要作大量的分析處理，有時(shí)候還需要對(duì)拼寫不規(guī)范的文本做自動(dòng)化規(guī)范處理，這個(gè)過程不僅需要對(duì)html富文本數(shù)據(jù)做細(xì)致的分析，而且要進(jìn)行跨標(biāo)簽的文本處理工作，這些工作對(duì)網(wǎng)站整體的質(zhì)量來說都是非常必要的。

發(fā)明內(nèi)容

針對(duì)以上的問題，本發(fā)明提出一種含格式的html富文本數(shù)據(jù)的跨標(biāo)簽處理方法及系統(tǒng)，根據(jù)接收的含格式的html富文本數(shù)據(jù)，把它轉(zhuǎn)換成不含格式的純文本，然后通過業(yè)務(wù)處理，消除文本中的攻擊代碼、不規(guī)范的書寫、以及敏感詞等不合法、違禁的不安全因素，然后把處理后的純文本按照相似度匹配最佳效果的方式重新恢復(fù)到原有的格式，轉(zhuǎn)換成安全的含格式的html富文本數(shù)據(jù)，在網(wǎng)站上展示，提高了網(wǎng)站的安全性和內(nèi)容的質(zhì)量。

本發(fā)明技術(shù)方案如下

一種含格式的html富文本數(shù)據(jù)的跨標(biāo)簽處理方法，包括：

首先，采用parse機(jī)制，將html富文本數(shù)據(jù)作為parse分析器的輸入，轉(zhuǎn)換為類似DOM的樹結(jié)構(gòu)對(duì)象，html富文本數(shù)據(jù)中的純文本數(shù)據(jù)將填寫到樹結(jié)構(gòu)對(duì)象節(jié)點(diǎn)中，形成了多個(gè)節(jié)點(diǎn)純字符串片段。