YwxAppThink/addon/articles/library/HtmlSanitizer.php

<?php
// +----------------------------------------------------------------------
// | YwxApp [ WE CAN DO IT JUST THINK ]
// +----------------------------------------------------------------------
// | Copyright (c) 2026-2036 http://ywxapp.cn All rights reserved.
// +----------------------------------------------------------------------
// | Author: ywxapp<admin@ywxapp.cn>
// +----------------------------------------------------------------------
declare (strict_types = 1);

namespace addon\articles\library;

/**
 * 文章正文 HTML 白名单净化器
 *
 * 用途：文章正文在前台是 {$article.content|raw} 直出（富文本必须原样输出），
 * 因此必须在**入库前**做白名单净化，否则一旦内容来自不可信来源
 * （前台投稿、Word/网页导入、编辑器被绕过）就是存储型 XSS。
 *
 * 实现说明：基于 PHP DOM 扩展做「标签白名单 + 属性白名单 + URL 协议白名单」，
 * 不依赖外部组件（HTMLPurifier）。libxml 不可用时降级为 strip_tags 粗过滤。
 */
class HtmlSanitizer
{
    /** 允许的标签（小写） */
    private const ALLOW_TAGS = [
        'p', 'br', 'div', 'span', 'section', 'article', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6',
        'ul', 'ol', 'li', 'dl', 'dt', 'dd', 'blockquote', 'pre', 'code',
        'strong', 'b', 'em', 'i', 'u', 's', 'del', 'ins', 'sub', 'sup', 'mark', 'small',
        'a', 'img', 'figure', 'figcaption', 'hr',
        'table', 'thead', 'tbody', 'tfoot', 'tr', 'td', 'th', 'caption', 'colgroup', 'col',
    ];

    /** 整块丢弃的标签（连同内部内容一起删除） */
    private const DROP_TAGS = [
        'script', 'style', 'iframe', 'frame', 'frameset', 'object', 'embed', 'applet',
        'form', 'input', 'button', 'select', 'option', 'textarea', 'label',
        'link', 'meta', 'base', 'noscript', 'svg', 'math', 'audio', 'video', 'source', 'track',
    ];

    /** 允许保留的属性（小写） */
    private const ALLOW_ATTR = [
        'class', 'id', 'style', 'title', 'alt', 'src', 'href', 'target', 'rel',
        'width', 'height', 'align', 'colspan', 'rowspan',
    ];

    /**
     * 净化 HTML
     *
     * @param string $html 原始富文本
     * @return string 净化后的 HTML（可直接入库与直出）
     */
    public static function clean(string $html): string
    {
        $html = trim($html);
        if ($html === '') {
            return '';
        }

        if (!class_exists('DOMDocument')) {
            return self::fallback($html);
        }

        $prev = libxml_use_internal_errors(true);
        $doc  = new \DOMDocument('1.0', 'UTF-8');

        // 加 XML 编码声明，避免中文被按 ISO-8859-1 解析
        $loaded = $doc->loadHTML('<?xml encoding="UTF-8">' . $html);
        libxml_clear_errors();
        libxml_use_internal_errors($prev);

        if (!$loaded) {
            return self::fallback($html);
        }

        $body = $doc->getElementsByTagName('body')->item(0);
        if (!$body) {
            return self::fallback($html);
        }

        self::walk($body);

        $out = '';
        foreach ($body->childNodes as $child) {
            $out .= $doc->saveHTML($child);
        }

        return trim($out);
    }

    /**
     * 递归净化节点
     */
    private static function walk(\DOMNode $node): void
    {
        $children = [];
        foreach ($node->childNodes as $child) {
            $children[] = $child;
        }

        foreach ($children as $child) {
            // 注释节点一律删除（IE 条件注释可携带脚本）
            if ($child->nodeType === XML_COMMENT_NODE) {
                $node->removeChild($child);
                continue;
            }

            if ($child->nodeType !== XML_ELEMENT_NODE) {
                continue;
            }

            /** @var \DOMElement $child */
            $tag = strtolower($child->nodeName);

            // 危险标签：连同内容一起丢掉
            if (in_array($tag, self::DROP_TAGS, true)) {
                $node->removeChild($child);
                continue;
            }

            // 非白名单标签：只拆掉外壳，保留内容（如 font/center 等富文本残留）
            if (!in_array($tag, self::ALLOW_TAGS, true)) {
                self::walk($child);
                self::unwrap($child);
                continue;
            }

            self::cleanAttrs($child);
            self::walk($child);
        }
    }

    /**
     * 拆掉元素外壳，把子节点提到父级
     */
    private static function unwrap(\DOMElement $el): void
    {
        $parent = $el->parentNode;
        if (!$parent) {
            return;
        }

        $children = [];
        foreach ($el->childNodes as $c) {
            $children[] = $c;
        }
        foreach ($children as $c) {
            $parent->insertBefore($c, $el);
        }
        $parent->removeChild($el);
    }

    /**
     * 属性白名单 + URL 协议校验
     */
    private static function cleanAttrs(\DOMElement $el): void
    {
        $names = [];
        foreach ($el->attributes as $attr) {
            $names[] = $attr->nodeName;
        }

        foreach ($names as $name) {
            $lname = strtolower($name);
            $value = (string) $el->getAttribute($name);

            // on* 事件属性一律删除（白名单里本来也没有，这里是双保险）
            if (strpos($lname, 'on') === 0) {
                $el->removeAttribute($name);
                continue;
            }

            if (!in_array($lname, self::ALLOW_ATTR, true)) {
                $el->removeAttribute($name);
                continue;
            }

            // src / href 必须走安全协议
            if (($lname === 'src' || $lname === 'href') && self::isUnsafeUrl($value)) {
                $el->removeAttribute($name);
                continue;
            }

            // style 里禁止 expression / javascript / url() 等可执行写法
            if ($lname === 'style' && preg_match('/(expression|javascript|vbscript|url\s*\()/i', $value)) {
                $el->removeAttribute($name);
                continue;
            }
        }

        // 链接统一加 rel：防 window.opener 劫持 + 不向站外传递权重
        if (strtolower($el->nodeName) === 'a' && $el->getAttribute('href') !== '') {
            $el->setAttribute('rel', 'nofollow noopener noreferrer');
        }
    }

    /**
     * URL 是否不安全
     */
    private static function isUnsafeUrl(string $value): bool
    {
        $v = strtolower((string) preg_replace('/[\s\x00-\x1f]/', '', $value));
        if ($v === '') {
            return true;
        }
        // 可执行协议
        if (preg_match('/^(javascript|vbscript|file|about|blob):/', $v)) {
            return true;
        }
        // data: 仅允许图片
        if (preg_match('/^data:/', $v) && !preg_match('/^data:image\//', $v)) {
            return true;
        }
        return false;
    }

    /**
     * 降级方案（DOM 不可用时）：粗过滤危险标签
     */
    private static function fallback(string $html): string
    {
        $html = (string) preg_replace('#<\s*(script|style|iframe|object|embed|form)\b[^>]*>.*?<\s*/\s*\1\s*>#is', '', $html);
        $html = (string) preg_replace('/\son[a-z]+\s*=\s*(".*?"|\'.*?\'|[^\s>]+)/is', '', $html);
        return strip_tags($html, '<p><br><div><span><h1><h2><h3><h4><h5><h6><ul><ol><li><blockquote><pre><code><strong><b><em><i><u><s><a><img><table><thead><tbody><tr><td><th><hr><figure><figcaption>');
    }
}