有没有办法从 FCKEditor 中删除所有不必要的 MS Word 格式

Question

我已经安装了 fckeditor，当从 MS Word 粘贴时，它添加了很多不必要的格式。我想保留某些内容，例如粗体、斜体、项目符号等。我在网上搜索并提出了一些解决方案，可以去掉所有内容，甚至是我想保留的内容，例如粗体和斜体。有没有办法去掉不必要的文字格式？

Answer 1

以防万一有人想要已接受答案的 ac# 版本：

public string CleanHtml(string html)
    {
        //Cleans all manner of evils from the rich text editors in IE, Firefox, Word, and Excel
        // Only returns acceptable HTML, and converts line breaks to <br />
        // Acceptable HTML includes HTML-encoded entities.

        html = html.Replace("&" + "nbsp;", " ").Trim(); //concat here due to SO formatting
        // Does this have HTML tags?

        if (html.IndexOf("<") >= 0)
        {
            // Make all tags lowercase
            html = Regex.Replace(html, "<[^>]+>", delegate(Match m){
                return m.ToString().ToLower();
            });
            // Filter out anything except allowed tags
            // Problem: this strips attributes, including href from a
            // http://stackoverflow.com/questions/307013/how-do-i-filter-all-html-tags-except-a-certain-whitelist
            string AcceptableTags = "i|b|u|sup|sub|ol|ul|li|br|h2|h3|h4|h5|span|div|p|a|img|blockquote";
            string WhiteListPattern = "</?(?(?=" + AcceptableTags + @")notag|[a-zA-Z0-9]+)(?:\s[a-zA-Z0-9\-]+=?(?:([""']?).*?\1?)?)*\s*/?>";
            html = Regex.Replace(html, WhiteListPattern, "", RegexOptions.Compiled);
            // Make all BR/br tags look the same, and trim them of whitespace before/after
            html = Regex.Replace(html, @"\s*<br[^>]*>\s*", "<br />", RegexOptions.Compiled);
        }


         // No CRs
         html = html.Replace("\r", "");
         // Convert remaining LFs to line breaks
         html = html.Replace("\n", "<br />");
         // Trim BRs at the end of any string, and spaces on either side
         return Regex.Replace(html, "(<br />)+$", "", RegexOptions.Compiled).Trim();
    }

Answer 2

这是我用来清理从富文本编辑器传入的 HTML 的解决方案...它是用 VB.NET 编写的，我没有时间转换为 C#，但它非常简单：

 Public Shared Function CleanHtml(ByVal html As String) As String
     '' Cleans all manner of evils from the rich text editors in IE, Firefox, Word, and Excel
     '' Only returns acceptable HTML, and converts line breaks to <br />
     '' Acceptable HTML includes HTML-encoded entities.
     html = html.Replace("&" & "nbsp;", " ").Trim() ' concat here due to SO formatting
     '' Does this have HTML tags?
     If html.IndexOf("<") >= 0 Then
         '' Make all tags lowercase
         html = RegEx.Replace(html, "<[^>]+>", AddressOf LowerTag)
         '' Filter out anything except allowed tags
         '' Problem: this strips attributes, including href from a
         '' http://stackoverflow.com/questions/307013/how-do-i-filter-all-html-tags-except-a-certain-whitelist
         Dim AcceptableTags      As String   = "i|b|u|sup|sub|ol|ul|li|br|h2|h3|h4|h5|span|div|p|a|img|blockquote"
         Dim WhiteListPattern    As String   = "</?(?(?=" & AcceptableTags & ")notag|[a-zA-Z0-9]+)(?:\s[a-zA-Z0-9\-]+=?(?:([""']?).*?\1?)?)*\s*/?>"
         html = Regex.Replace(html, WhiteListPattern, "", RegExOptions.Compiled)
         '' Make all BR/br tags look the same, and trim them of whitespace before/after
         html = RegEx.Replace(html, "\s*<br[^>]*>\s*", "<br />", RegExOptions.Compiled)
     End If
     '' No CRs
     html = html.Replace(controlChars.CR, "")
     '' Convert remaining LFs to line breaks
     html = html.Replace(controlChars.LF, "<br />")
     '' Trim BRs at the end of any string, and spaces on either side
     Return RegEx.Replace(html, "(<br />)+$", "", RegExOptions.Compiled).Trim()
 End Function

 Public Shared Function LowerTag(m As Match) As String
   Return m.ToString().ToLower()
 End Function

在您的情况下，您需要修改“AcceptableTags”中“已批准”HTML 标记的列表 - 代码仍会去除所有无用的属性（不幸的是，有用的属性，如 HREF 和 SRC，希望这些对您来说并不重要）。

当然，这需要访问服务器。如果您不希望这样，则需要在工具栏上添加某种“清理”按钮，该按钮调用 JavaScript 来弄乱编辑器的当前文本。不幸的是，“粘贴”不是一个可以捕获以自动清理标记的事件，并且每次 OnChange 后进行清理都会导致编辑器无法使用（因为更改标记会更改文本光标位置）。

Answer 3

尝试了接受的解决方案，但它没有清除单词生成的标签。

但是这段代码对我有用

静态字符串CleanWordHtml（字符串html）{

StringCollection sc = new StringCollection();
// 去掉不必要的标签范围（评论和标题）
sc.Add(@"");
sc.Add(@"<标题>(\w|\W)+?");
// 摆脱类和样式
sc.Add(@"\s?class=\w+");
sc.Add(@"\s+style='[^']+'");
// 去掉不必要的标签
sc.添加（
@"<(meta|link|/?o:|/?style|/?div|/?st\d|/?head|/?html|body|/?body|/?span|!\[) [^>]*?>");
// 去掉空段落标签
sc.Add(@"(<[^>]+>)+()+");
// 删除附加到  的奇怪 v: 元素标签
sc.Add(@"\s+v:\w+=""[^""]+""");
// 删除多余的行
sc.Add(@"(\n\r){2,}");
foreach（sc 中的字符串 s）
{
    html = Regex.Replace(html, s, "", RegexOptions.IgnoreCase);
}
返回 html； 
}

Answer 4

我非常理解这个问题。当从 MS-Word（或任何文字处理或富文本编辑感知文本区域）复制出来然后粘贴到 FCKEditor（TinyMCE 也会出现同样的问题）时，原始标记将包含在剪贴板中并进行处理。此标记并不总是与它与粘贴操作的目标一起嵌入的标记互补。

除了成为FCKEditor的贡献者并研究代码并进行修改之外，我不知道解决方案。我通常做的是指导用户执行两阶段剪贴板操作。

• 从 MS-Word
• 复制 粘贴到记事本
• 选择全部
• 从记事本
• 复制 粘贴到 FCKEDitor

Answer 5

但正如其名称和网站所示，fckeditor 是一个文本编辑器。对我来说，这意味着它只是向您显示文件中的字符。

如果没有一些额外的字符，就无法使用粗体和斜体格式。

编辑：啊，我明白了。仔细观察 Fckeditor 网站，它是一个 HTML 编辑器，而不是我习惯的简单文本编辑器。

使用自动检测功能从 Word 清理粘贴被列为一项功能。

Answer 6

对于我的解决方案，我最终使用了 C# 版本的 CleanHtml 函数和清除 MS Office 标签的部分的组合。本质上是 Glenn 流程的基于代码的版本。我将看看当我将其推送到一个巨大的 Excel 电子表格时会发生什么。