[发明专利]一种含格式的html富文本数据的跨标签处理方法及系统

说明书

技术领域

本发明应用在web互联网领域，具体涉及一种含格式的html富文本数据的跨标签处理方法及系统。

背景技术

互联网中需要处理大量用户提交的数据，大多数情况下，用户提交的数据都是由纯文字组成，但很多情况下，用户提交的信息是含有格式标签的富文本数据，例如博客中具有丰富多样展现形式的信息，用户使用的自主建站服务以及电子商务卖家都具备多样化展示的功能。

因为在很多领域用户能编辑定制化的html富文本数据，这些富文本数据都含有格式标签。但是用户提交的html富文本数据中包含有很多不可靠因素，它们会产生一些负面因素，影响网站内容，以及网站运行的质量和安全，总结起来，这些负面因素主要包括以下几类：

（1）不安全的因素，例如攻击代码等。

（2）提交的内容不规范，影响网站内容的质量。

（3）提交的内容含有不健康、违禁的内容。

例如，提交的html富文本数据包含有“<strong>pass</strong>word”，这段含有格式的文本中，其中“pass”显示为粗体，“word”为正常字体，在页面显示效果类似“password”，其中“<strong></strong>”为格式标签。假设其中的“pass”和“word”都是可被网站允许的正常单词，但是组合起来的“password”是敏感词，是需要被禁止的。在这种情况下，由于“password”在提交的HTML富文本数据是表现为“<strong>pass</strong>word”，“password”被格式标签“</strong>”分离成“pass”和“word”，而系统认为“pass”和“word”是合法的单词，都是允许通过。在类似这种情况下，如果含有格式的富文本数据不进行跨标签处理，将会把不健康、违禁的、以及不合法的内容显示出来。

从处理方法来看，google的网页翻译工具涉及到类似情况的处理，但在html网页翻译的处理上，google目前还只是实现对各个标签内部文本数据的处理，并没有涉及到跨标签的富文本数据的处理。

类似这种跨标签的处理需求有很多，跨标签的处理存在两种情况，一种是只做分析，这种情况下对html富文本数据进行解析，提取其中实际有效的文字，然后做分析。另一种是不仅做分析，还要做处理，然后再返回处理过后信息内容，例如对于上述中“password”识别后，将“password”单词转换为“Pasword”，并在转换后，并恢复既定的富文本格式，并且在恢复处理中，使最终结果为最佳效果：“<strong>Pas</strong>word”，而不是“<strong>Pasw</strong>ord”或其他结果。

目前有一些方法处理这种跨标签问题，其中占位还原法用的比较普遍，这种方法通常对html富文本数据进行逐字分析，找到其中的标签，并用特定标志进行标识，对整个富文本数据作完标识后，再根据业务对标识处进行处理。这种方法一般只能用来处理一种业务，通用性不强，而互联网处理方面情况众多，业务复杂，需要处理方法具有一定的通用性。

为了防止用户提交的html富文本数据不会破坏整个网站的安全性，以及网站整体协调性，需要作大量的分析处理，有时候还需要对拼写不规范的文本做自动化规范处理，这个过程不仅需要对html富文本数据做细致的分析，而且要进行跨标签的文本处理工作，这些工作对网站整体的质量来说都是非常必要的。

发明内容

针对以上的问题，本发明提出一种含格式的html富文本数据的跨标签处理方法及系统，根据接收的含格式的html富文本数据，把它转换成不含格式的纯文本，然后通过业务处理，消除文本中的攻击代码、不规范的书写、以及敏感词等不合法、违禁的不安全因素，然后把处理后的纯文本按照相似度匹配最佳效果的方式重新恢复到原有的格式，转换成安全的含格式的html富文本数据，在网站上展示，提高了网站的安全性和内容的质量。

本发明技术方案如下

一种含格式的html富文本数据的跨标签处理方法，包括：

首先，采用parse机制，将html富文本数据作为parse分析器的输入，转换为类似DOM的树结构对象，html富文本数据中的纯文本数据将填写到树结构对象节点中，形成了多个节点纯字符串片段。