Re: [SAde] RE-Nachhilfe, HTML-Tags (Lösung)

Am Mittwoch 15 Oktober 2003 17:09 schrieb Wolfram Schroeder:

> Die Idee mit den einzelnen Tags ist natürlich viel besser, die habe ich
> heute morgen umgesetzt mit dem gestern abend erworbenen Wissen:
>
> rawbody         WS_WEIRD_HTML
> /<(?:\/|(?!\/))(?!(?:!|A|ABBR|ACRONYM|ADDRESS|APPLET|AREA|B|BASE|BASEFONT|B
>DO|BIG|BLOCKQUOTE|BODY|BR|BUTTON|CAPTION|CENTER|CITE|CODE|COL|COLGROUP|DD|DE
>L|DFN|DIR|DIV|DL|DT|EM|FIELDSET|FONT|FORM|FRAME|FRAMESET|H1|H2|H3|H4|H5|H6|H
>EAD|HR|HTML|I|IFRAME|IMG|INPUT|INS|ISINDEX|KBD|LABEL|LEGEND|LI|LINK|MAP|MENU
>|META|NOFRAMES|NOSCRIPT|OBJECT|OL|OPTGROUP|OPTION|P|PARAM|PRE|Q|S|SAMP|SCRIP
>T|SELECT|SMALL|SPAN|STRIKE|STRONG|STYLE|SUB|SUP|TABLE|TBODY|TD|TEXTAREA|TFOO
>T|TH|THEAD|TITLE|TR|TT|U|UL|VAR)\b)[^>]*>/i
>
> Meine Testfälle sehen so weit ganz gut aus. Die Laufzeit der Regel ist
> mit 3.362s sehr gut im Vergleich zu 18.409s des unscheinbaren
> /(?:top.{0,10}|sonder)aktion/i auf einer DE/EN Wortliste - in der
> Wortliste stehen allerdings keine gültigen Tags, deswegen ist die Zahl
> nicht sonderlich aussagekräftig. Harry Potter in HTML wäre ein besserer
> Testfall (oder sonstwas, meine mail-Adresse habt Ihr ja). Die Regel kann
> noch weiter optimiert werden durch Alternativen und Characterklassen wie
> z.B. in OPT(?:GROUP|ION) oder T[HRT]. Mache ich später, ich belasse die
> Regel im Wiki bei http://www.exit0.us/index.php/WolfRam .
>
> Bin ich gut, oder was?
>

Jup. Ich habe ein kleines Perlscript über meine Mailbox laufen lassen (ein 
paar tausend mails, >3000 davon spam) und die Regex scheint gut zu 
funktionieren. 

<Korinthen title="Ebenfalls von der Regex betroffen:">

1. <!-- Table of Contents -->
Nicht jeder Comment muß böse sein.

2. <blink><marquee>
Aber wer schickt schon seriöse Mail mit solchen Tags...

3. <?xml version=3D"1.0" encoding=3D"UTF-8"?>
Wird bei Test auf HTML wahrscheinlich ignoriert, oder?

4. Email-Adressen der Form "Joe Meier" <[email protected]>
(kommt theoretisch irgendwann mal vor)

5. <> bzw. <\s*> wird auch gematcht. Ist das Absicht?

</Korinthen>

Mal sehen, wie sich die Regel (in der angekündigten optimierten Form) bewährt.

Ingo

-- 

Public Key: http://dewarim.de/de/gpg_key.txt
http://dewarim.de



-------------------------------------------------------
This SF.net email is sponsored by: SF.net Giveback Program.
SourceForge.net hosts over 70,000 Open Source Projects.
See the people who have HELPED US provide better services:
Click here: http://sourceforge.net/supporters.php