Очищення HTML

Очищення HTML

Продуктова інженерія • UX/UI дизайн • Веб-розробка

Очищення HTML — це власний продукт Creomatix: онлайн-інструмент, який перетворює скопійований текст чи брудний HTML на чисту розмітку, не втрачаючи заголовків, списків, таблиць, посилань, жирного й курсиву. Уся обробка виконується у браузері, тому текст нікуди не надсилається. Спробувати його можна на сторінці «Очищення HTML», а про те, звідки береться зайва розмітка, розповідаємо в блозі.

Що було зроблено?

Основою став прототип із двопанельним редактором, і перша ж перевірка показала головне: очищення в ньому не працювало. Серверна функція очищення існувала, але інтерфейс її жодного разу не викликав, а кнопки «Очистити» не було. Редактор лише показував HTML того, що в нього вставили, тож головна задача (прибрати сміття з Word і Google Docs) не розв’язувалась. Під час огляду коду знайшли ще й інше: регулярні вирази, які ламали атрибути (вирізали «on…» посеред слів на кшталт data-condition) і стирали href, src та alt у режимі «видалити атрибути»; видалення таблиць разом із вмістом; кожне натискання клавіші перезаписувало вміст редактора й відкидало курсор; кнопки розміру шрифту передавали значення, яких браузер не приймає; історія змін росла безмежно й не мала кнопок; підсвічування коду не працювало, бо бібліотеку ніхто не підключив; компонент пошуку й заміни не використовувався ніде. Найсерйозніше: вміст із поля HTML-коду підставлявся в сторінку як є, тож вставлений код із обробником події виконувався.

Ми переписали ядро. Вхід розбирається як справжній документ (без виконання), а чистий HTML будується з білого списку елементів, а не вирізається регулярними виразами. Жирний, курсив, підкреслення, закреслення й індекси переносяться в теги, навіть коли в джерелі були лише стилі (font-weight:700 стає strong). Враховано пастки реальних редакторів: обгортка b із font-weight:normal у Google Docs не робить жирним увесь текст, списки Word, що вставляються абзацами з «·» чи «1.», відновлюються у вкладені ul та ol, посилання-редиректи Google розкриваються, внутрішні якорі й зображення з file:// прибираються з поясненням, сусідні однакові фрагменти зливаються, а зайві пробіли зникають. З’явилися три готові набори (типографіка, лише структура, простий текст), окремі перемикачі, перегляд в ізольованій рамці, копіювання HTML, тексту чи форматованого вмісту та завантаження файлу.

Інтерфейс повністю переробили під дизайн сайту Creomatix. Виконали 147 перевірок логіки на реальних вставках із Word, Google Docs і сайтів (включно з ідемпотентністю: повторне очищення нічого не змінює), набір шкідливих вхідних даних (скрипти, обробники подій, javascript:-посилання, iframe, форми) та 37 наскрізних перевірок у Chrome. Типовий документ Word 3,8 КБ перетворюється на 813 Б (−79%), а вхід 1,1 МБ обробляється за третину секунди.

Технології

  • Next.js
  • React
  • TypeScript
  • SCSS Modules
  • DOMParser і власне дерево розмітки з білим списком
  • Clipboard API (HTML та текст)
  • Strapi (контент сторінки продукту)

Який функціонал створили?

  • Розбір вмісту як документа та побудова чистого HTML із білого списку елементів
  • Збереження заголовків, абзаців, вкладених списків, таблиць, посилань, зображень і цитат
  • Жирний, курсив, підкреслення, закреслення та індекси з тегів і зі стилів
  • Відновлення списків Word, що вставляються абзацами
  • Розуміння пасток Google Docs (обгортка b, посилання-редиректи)
  • Три готові набори й окремі перемикачі: вирівнювання, посилання, зображення, таблиці, порожні абзаци, нерозривні пробіли
  • Форматований вивід з відступами або в один рядок
  • Перегляд результату в ізольованій рамці й копіювання з форматуванням
  • Захист від скриптів, обробників подій і небезпечних посилань
  • Ліміти: 5 000 000 символів і файл до 5 МБ
  • Обробка повністю у браузері та версії інтерфейсу українською й англійською

Що отримав клієнт?

У результаті з’явився інструмент, який справді чистить розмітку й не псує зміст: що саме прибрано, на скільки це зменшило код і які посилання чи зображення не працюватимуть на сайті. Він працює без реєстрації й повністю у браузері та став шостим продуктом у розділі «Продукти» нашого сайту.

Усі проєкти →