این تابع چه بلایی سر رشته میاره؟

[mehran-b]

سلام بر دوستان و بزرگان انجمن

یک تابع دارم به شکل زیر:

function clear_string($str) {
$clear_text = htmlentities($str, null, 'UTF-8');
$clear_text = str_ireplace([' ','‌'], [' ', ' '], $clear_text);
$clear_text = preg_replace('/&#?[a-z0-9]+;/i', '', $clear_text);
$clear_text = html_entity_decode($clear_text);
$clear_text = preg_replace('/\s+/', ' ', $clear_text);
$clear_text = trim($clear_text);
return $clear_text;} 

میخوام شما بگید به شکل مرحله به مرحله داره رو متنی که گرفته چه عملیاتی رو پیاده میکنه؟

تشکر

[starting]

htmlentities
PHP str_ireplace Function

preg_match in php tutorial

html_entity_decode

trim هم اسپیس ها رو از دو طرف استرینگ برمیداره

کلا کار مسخره ای کرده
از این استفاده کنید

function test_input($data) {
  $data = trim($data);
  $data = stripslashes($data);
  $data = htmlspecialchars($data);
  return $data;
  } 

موارد زیر هم Entity های استفاده شده در تابع خودتون

Char	Dec	Hex	Entity	Name
	8192	2000		EN QUAD
	8193	2001		EM QUAD
	8194	2002	 	EN SPACE
	8195	2003	 	EM SPACE
	8196	2004		THREE-PER-EM SPACE
	8197	2005		FOUR-PER-EM SPACE
	8198	2006		SIX-PER-EM SPACE
	8199	2007		FIGURE SPACE
	8200	2008		PUNCTUATION SPACE
	8201	2009	 	THIN SPACE
	8202	200A		HAIR SPACE
​	8203	200B		ZERO WIDTH SPACE
‌	8204	200C	‌	ZERO WIDTH NON-JOINER
‍	8205	200D	‍	ZERO WIDTH JOINER
‎	8206	200E	‎	LEFT-TO-RIGHT MARK
‏	8207	200F	‏	RIGHT-TO-LEFT MARK
‐	8208	2010		HYPHEN
‑	8209	2011		NON-BREAKING HYPHEN
‒	8210	2012		FIGURE DASH
–	8211	2013	–	EN DASH
—	8212	2014	—	EM DASH
―	8213	2015		HORIZONTAL BAR
‖	8214	2016		DOUBLE VERTICAL LINE
‗	8215	2017		DOUBLE LOW LINE
‘	8216	2018	‘	LEFT SINGLE QUOTATION MARK
’	8217	2019	’	RIGHT SINGLE QUOTATION MARK
‚	8218	201A	‚	SINGLE LOW-9 QUOTATION MARK
‛	8219	201B		SINGLE HIGH-REVERSED-9 QUOTATION MARK
“	8220	201C	“	LEFT DOUBLE QUOTATION MARK
”	8221	201D	”	RIGHT DOUBLE QUOTATION MARK
„	8222	201E	„	DOUBLE LOW-9 QUOTATION MARK
‟	8223	201F		DOUBLE HIGH-REVERSED-9 QUOTATION MARK
†	8224	2020	†	DAGGER
‡	8225	2021	‡	DOUBLE DAGGER
•	8226	2022	•	BULLET
‣	8227	2023		TRIANGULAR BULLET
․	8228	2024		ONE DOT LEADER
‥	8229	2025		TWO DOT LEADER
…	8230	2026	…	HORIZONTAL ELLIPSIS
‧	8231	2027		HYPHENATION POINT
	8232	2028		LINE SEPARATOR
	8233	2029		PARAGRAPH SEPARATOR
‪	8234	202A		LEFT-TO-RIGHT EMBEDDING
‫	8235	202B		RIGHT-TO-LEFT EMBEDDING
‬	8236	202C		POP DIRECTIONAL FORMATTING
‭	8237	202D		LEFT-TO-RIGHT OVERRIDE
‮	8238	202E		RIGHT-TO-LEFT OVERRIDE
	8239	202F		NARROW NON-BREAK SPACE
‰	8240	2030	‰	PER MILLE SIGN
‱	8241	2031		PER TEN THOUSAND SIGN
′	8242	2032	′	PRIME
″	8243	2033	″	DOUBLE PRIME
‴	8244	2034		TRIPLE PRIME
‵	8245	2035		REVERSED PRIME
‶	8246	2036		REVERSED DOUBLE PRIME
‷	8247	2037		REVERSED TRIPLE PRIME
‸	8248	2038		CARET
‹	8249	2039	‹	SINGLE LEFT-POINTING ANGLE QUOTATION MARK
›	8250	203A	›	SINGLE RIGHT-POINTING ANGLE QUOTATION MARK
※	8251	203B		REFERENCE MARK
‼	8252	203C		DOUBLE EXCLAMATION MARK
‽	8253	203D		INTERROBANG
‾	8254	203E	‾	OVERLINE
‿	8255	203F		UNDERTIE
⁀	8256	2040		CHARACTER TIE
⁁	8257	2041		CARET INSERTION POINT
⁂	8258	2042		ASTERISM
⁃	8259	2043		HYPHEN BULLET
⁄	8260	2044	⁄	FRACTION SLASH
⁅	8261	2045		LEFT SQUARE BRACKET WITH QUILL
⁆	8262	2046		RIGHT SQUARE BRACKET WITH QUILL
⁇	8263	2047		DOUBLE QUESTION MARK
⁈	8264	2048		QUESTION EXCLAMATION MARK
⁉	8265	2049		EXCLAMATION QUESTION MARK
⁊	8266	204A		TIRONIAN SIGN ET
⁋	8267	204B		REVERSED PILCROW SIGN
⁌	8268	204C		BLACK LEFTWARDS BULLET
⁍	8269	204D		BLACK RIGHTWARDS BULLET
⁎	8270	204E		LOW ASTERISK
⁏	8271	204F		REVERSED SEMICOLON
⁐	8272	2050		CLOSE UP
⁑	8273	2051		TWO ASTERISKS ALIGNED VERTICALLY
⁒	8274	2052		COMMERCIAL MINUS SIGN
⁓	8275	2053		SWUNG DASH
⁔	8276	2054		INVERTED UNDERTIE
⁕	8277	2055		FLOWER PUNCTUATION MARK
⁖	8278	2056		THREE DOT PUNCTUATION
⁗	8279	2057		QUADRUPLE PRIME
⁘	8280	2058		FOUR DOT PUNCTUATION
⁙	8281	2059		FIVE DOT PUNCTUATION
⁚	8282	205A		TWO DOT PUNCTUATION
⁛	8283	205B		FOUR DOT MARK
⁜	8284	205C		DOTTED CROSS
⁝	8285	205D		TRICOLON
⁞	8286	205E		VERTICAL FOUR DOTS
	8287	205F		MEDIUM MATHEMATICAL SPACE
⁠	8288	2060		WORD JOINER
⁡	8289	2061		FUNCTION APPLICATION
⁢	8290	2062		INVISIBLE TIMES
⁣	8291	2063		INVISIBLE SEPARATOR
⁤	8292	2064		INVISIBLE PLUS
⁦	8294	2066		LEFT-TO-RIGHT ISOLATE
⁧	8295	2067		RIGHT-TO-LEFT ISOLATE
⁨	8296	2068		FIRST STRONG ISOLATE
⁩	8297	2069		POP DIRECTIONAL ISOLATE
	8298	206A		INHIBIT SYMMETRIC SWAPPING
	8299	206B		ACTIVATE SYMMETRIC SWAPPING
	8300	206C		INHIBIT ARABIC FORM SHAPING
	8301	206D		ACTIVATE ARABIC FORM SHAPING
	8302	206E		NATIONAL DIGIT SHAPES
	8303	206F		NOMINAL DIGIT SHAPES

[T.Toosi]

باسلام، هدف متد شما پاک کردن تمام Html Entities ها است، Entity هم کارکتر های رزرو شده در html مثل > < & " و .. است، Entity ها به 2 صورت زیر قابل استفاده در کد هامون است :

&entity_name;

&#entity_number;

شما اگر ورودی یک رشته : Toosi <salam> بدید در خط اول رشته تبدیل به Toosi &lt;salam&gt; خواهد شد، در خط بعدی دو تا Entity خودش مشخص کرده است که اگر موجود بود پاک کند (&zwnj; و &nbsp) در خط بعدی هرچه Entity Number و Entity Name پیدا کند پاک میکند، در خط بعدی تمامی Entity باقی مانده را به کارکتر خوانا تبدیل میکند (در کدی که گذاشتید لازم نیست چون با preg_replace که هست هیچ Entity باقی نخواهد ماند که Decode کند)، در خط بعدی اگر رشته حاوی چند خط باشد همه را به یک خط تبدیل خواهد کرد (newline ها را به white space تبدیل میکند)، در خط بعدی هم فاصله های دو طرف رشته را پاک خواهد کرد و خروجی Toosi salam خواهد شد.

[mehran-b]

باسلام، هدف متد شما پاک کردن تمام Html Entities ها است، Entity هم کارکتر های رزرو شده در html مثل > < & " و .. است، Entity ها به 2 صورت زیر قابل استفاده در کد هامون است :

&entity_name;

&#entity_number;

شما اگر ورودی یک رشته : Toosi <salam> بدید در خط اول رشته تبدیل به Toosi &lt;salam&gt; خواهد شد، در خط بعدی دو تا Entity خودش مشخص کرده است که اگر موجود بود پاک کند (&zwnj; و &nbsp) در خط بعدی هرچه Entity Number و Entity Name پیدا کند پاک میکند، در خط بعدی تمامی Entity باقی مانده را به کارکتر خوانا تبدیل میکند (در کدی که گذاشتید لازم نیست چون با preg_replace که هست هیچ Entity باقی نخواهد ماند که Decode کند)، در خط بعدی اگر رشته حاوی چند خط باشد همه را به یک خط تبدیل خواهد کرد (newline ها را به white space تبدیل میکند)، در خط بعدی هم فاصله های دو طرف رشته را پاک خواهد کرد و خروجی Toosi salam خواهد شد.

پس طبق فرمایش شما بعد از preg_replace تمامی چیزهایی که از html میمونه توی متن از بین میره و html_entity_decode توی کد بیهوده استفاده شده؟

مورد بعدی اینکه در htmlentities در پارامتر دوم از null استفاده شده. این به این معنی هست که از مقدار پیشفرض استفاده بشه؟

تشکر

[T.Toosi]

پس طبق فرمایش شما بعد از preg_replace تمامی چیزهایی که از html میمونه توی متن از بین میره و html_entity_decode توی کد بیهوده استفاده شده؟

مورد بعدی اینکه در htmlentities در پارامتر دوم از null استفاده شده. این به این معنی هست که از مقدار پیشفرض استفاده بشه؟

تشکر

این لاین ها بیهوده است :

$clear_text = str_ireplace([' ','‌'], [' ', ' '], $clear_text);

$clear_text = html_entity_decode($clear_text);

به دلیل اینکه لاین زیر تمام Entity ها را پاک میکند :

$clear_text = preg_replace('/&#?[a-z0-9]+;/i', '', $clear_text);

پارامتر دوم htmlentities هم flags هست، برای مدیریت الگوریتم کدگذاری نامعتبر و کوتیشن ها استفاده میشود.

http://php.net/manual/en/function.htmlentities.php

[starting]

پس طبق فرمایش شما بعد از preg_replace تمامی چیزهایی که از html میمونه توی متن از بین میره و html_entity_decode توی کد بیهوده استفاده شده؟

مورد بعدی اینکه در htmlentities در پارامتر دوم از null استفاده شده. این به این معنی هست که از مقدار پیشفرض استفاده بشه؟

تشکر

بله فانکشن زیر لازم نیست و الکی اجرا میشه(بود و نبودش سودی نداره)

);
$clear_text = html_entity_decode($clear_text); 

نال رو چون نمیخواسته از هیچ flags استفاده کنه و قصد ست کردن کارکتر ست داشته اورده که تابع اتربیوت هاشو بشانسه با اینکه نیازی هم نبود استفاده کنه

   htmlentities(string,flags,character-set,double_encode) 

- - - Updated - - -

این لاین ها بیهوده است :

$clear_text = str_ireplace([' ','‌'], [' ', ' '], $clear_text);

$clear_text = html_entity_decode($clear_text);

به دلیل اینکه لاین زیر تمام Entity ها را پاک میکند :

شاید برای مورد اولی هدفش پاک کردن فاصله ها بوده
چون در صورت عدم وجود در انتها فانکشن با رشته عبارت nbsp; رو همراه با رشته برمیگردوند

[mehran-b]

شاید برای مورد اولی هدفش پاک کردن فاصله ها بوده
چون در صورت عدم وجود در انتها فانکشن با رشته عبارت nbsp; رو همراه با رشته برمیگردوند

بله. نیم فاصله و فاصله رو تبدیل کرده به فاصله و بقیه Entity رو حذف کرده.

ولی من بارم نفهمیدم در htmlentities وقتی flags رو null گذاشته یعنی تابع بدون flags کار میکنه و اروری نمیده یا نه چون flag دیفالت یعنی ENT_COMPAT | ENT_HTML401 رو استفاده میکنه اروری نمیده؟

[starting]

بله. نیم فاصله و فاصله رو تبدیل کرده به فاصله و بقیه Entity رو حذف کرده.

ولی من بارم نفهمیدم در htmlentities وقتی flags رو null گذاشته یعنی تابع بدون flags کار میکنه و اروری نمیده یا نه چون flag دیفالت یعنی ENT_COMPAT | ENT_HTML401 رو استفاده میکنه اروری نمیده؟

ببینید هر تابع ورودی ها رو براساس ترتیب خودش میگیره
ایشون میخواسته استرینگ رو بده و از کارکتر ست هم استفاده کنه پس یا باید اتربیوت دوم رو تال بزاره

پیشنهاد میدم از phpstorm بعنوان ادیتور در کد نویسی استفاده کنید

[mehran-b]

ببینید هر تابع ورودی ها رو براساس ترتیب خودش میگیره
ایشون میخواسته استرینگ رو بده و از کارکتر ست هم استفاده کنه پس یا باید اتربیوت دوم رو تال بزاره

پیشنهاد میدم از phpstorm بعنوان ادیتور در کد نویسی استفاده کنید

بله در این حد متوجه هستم. ولی وقتی که بخوان یه آرگومان رو رد کنن جاش null نمیذارن معمولا مقدار دیفالت رو قرار میدن.

الان می میخوام بدون این کد

htmlentities($str, null, 'UTF-8'); 

str ورودی رو با چه flag ای خروجی میده؟

تشکر بابت تامل

[T.Toosi]

شاید برای مورد اولی هدفش پاک کردن فاصله ها بوده
چون در صورت عدم وجود در انتها فانکشن با رشته عبارت nbsp; رو همراه با رشته برمیگردوند

ورودی تابع رشته است بدون entity name، داخل تابع توسط متد htmlentities کارکتر هامون به entity تبدیل خواهد شد، اما اگر در ورودی تابع &nbsp; ارسال کنید به مشکل میخورد و nbsp; برگشت میدهد (به صورت خلاصه اگر ورودی تابع مستقیم بنویسیم &nbsp; خروجی nbsp; خواهد آمد)

نکته ی دیگری که هست در فلگ دیفالت (ENT_HTML401) این متد از کارکتر non breaking space یا همون &nbsp; پشتیبانی نمی کند، پس اگر ورودی تابع بالای ما non breaking space داشته باشد، متد htmlentities همون کارکتر فاصله را نمایش میدهد و نه &nbsp; و حتی &zwnj; هم پشتیبانی نمیکند (کلا 4 تا کارکتر فلگ دیفالت پشتیبانی میکند که در پایین لیست کردم) برای همین کلا این لاین اضافه و بدون کاربرد است مگر اینکه فلگ را عوض کنیم.

بله. نیم فاصله و فاصله رو تبدیل کرده به فاصله و بقیه Entity رو حذف کرده.

درست است، فاصله ها را تبدیل کرده است، اگر نباشد و چند جمله باشد بهم میچسبند.

ولی من بارم نفهمیدم در htmlentities وقتی flags رو null گذاشته یعنی تابع بدون flags کار میکنه و اروری نمیده یا نه چون flag دیفالت یعنی ENT_COMPAT | ENT_HTML401 رو استفاده میکنه اروری نمیده؟

این پارامتر اختیاری است، حالا اگر میخواهید ببینید اگر مقدار null بزاریم چه کارکتر هایی را این فلگ پشتیبانی میکند به صورت زیر عمل کنید : (null هم بزارید باز از ENT_HTML401 استفاده خواهد کرد)

var_dump(get_html_translation_table(null)); 

خروجی :

array (size=4)
  '"' => string '"' (length=6)
  '&' => string '&' (length=5)
  '<' => string '&lt;' (length=4)
  '>' => string '&gt;' (length=4)

حالا از فلگ زیر استفاده کنید :

var_dump(get_html_translation_table(ENT_HTML5)); 

خروجی :

array (size=252)
  '"' => string '"' (length=6)
  '&' => string '&' (length=5)
  '<' => string '&lt;' (length=4)
  '>' => string '&gt;' (length=4)
  ' ' => string '&nbsp;' (length=6)
  '¡' => string '&iexcl;' (length=7)
  '¢' => string '&cent;' (length=6)
  '£' => string '&pound;' (length=7)
  '¤' => string '&curren;' (length=8)
  '¥' => string '&yen;' (length=5)
  '¦' => string '&brvbar;' (length=8)
  '§' => string '&sect;' (length=6)
  '¨' => string '&uml;' (length=5)
  '©' => string '&copy;' (length=6)
  'ª' => string '&ordf;' (length=6)
  '«' => string '&laquo;' (length=7)
  '¬' => string '&not;' (length=5)
  '­' => string '­' (length=5)
  '®' => string '&reg;' (length=5)
  '¯' => string '&macr;' (length=6)
  '°' => string '&deg;' (length=5)
  '±' => string '&plusmn;' (length=8)
  '²' => string '&sup2;' (length=6)
  '³' => string '&sup3;' (length=6)
  '´' => string '&acute;' (length=7)
  'µ' => string '&micro;' (length=7)
  '¶' => string '&para;' (length=6)
  '·' => string '&middot;' (length=8)
  '¸' => string '&cedil;' (length=7)
  '¹' => string '&sup1;' (length=6)
  'º' => string '&ordm;' (length=6)
  '»' => string '&raquo;' (length=7)

میبینید این فلگ 252 تا کارکتر را پشتیبانی و تبدیل میکند، پس اول ببینید رشته ورودی این تابع شما چه Handle ای نیاز دارد و فلگ مناسب با آن را انتخاب کنید.