Line data Source code
1 : /* -*- Mode: C++; tab-width: 4; indent-tabs-mode: nil; c-basic-offset: 4 -*- */
2 : /*
3 : * This file is part of the LibreOffice project.
4 : *
5 : * This Source Code Form is subject to the terms of the Mozilla Public
6 : * License, v. 2.0. If a copy of the MPL was not distributed with this
7 : * file, You can obtain one at http://mozilla.org/MPL/2.0/.
8 : *
9 : * This file incorporates work covered by the following license notice:
10 : *
11 : * Licensed to the Apache Software Foundation (ASF) under one or more
12 : * contributor license agreements. See the NOTICE file distributed
13 : * with this work for additional information regarding copyright
14 : * ownership. The ASF licenses this file to you under the Apache
15 : * License, Version 2.0 (the "License"); you may not use this file
16 : * except in compliance with the License. You may obtain a copy of
17 : * the License at http://www.apache.org/licenses/LICENSE-2.0 .
18 : */
19 :
20 :
21 : #include <ctype.h>
22 : #include <stdio.h>
23 : #include <comphelper/string.hxx>
24 : #include <tools/stream.hxx>
25 : #include <tools/debug.hxx>
26 : #include <tools/color.hxx>
27 : #include <rtl/ustrbuf.hxx>
28 : #include <rtl/strbuf.hxx>
29 :
30 : #include <tools/tenccvt.hxx>
31 : #include <tools/datetime.hxx>
32 : #include <svl/inettype.hxx>
33 : #include <com/sun/star/beans/PropertyAttribute.hpp>
34 : #include <com/sun/star/document/XDocumentProperties.hpp>
35 :
36 : #include <svtools/parhtml.hxx>
37 : #include <svtools/htmltokn.h>
38 : #include <svtools/htmlkywd.hxx>
39 :
40 : #include <memory>
41 :
42 : using namespace ::com::sun::star;
43 :
44 :
45 : const sal_Int32 MAX_LEN( 1024L );
46 :
47 : const sal_Int32 MAX_ENTITY_LEN( 8L );
48 :
49 :
50 : // Tables to convert option values into strings
51 :
52 : // <INPUT TYPE=xxx>
53 : static HTMLOptionEnum const aInputTypeOptEnums[] =
54 : {
55 : { OOO_STRING_SVTOOLS_HTML_IT_text, HTML_IT_TEXT },
56 : { OOO_STRING_SVTOOLS_HTML_IT_password, HTML_IT_PASSWORD },
57 : { OOO_STRING_SVTOOLS_HTML_IT_checkbox, HTML_IT_CHECKBOX },
58 : { OOO_STRING_SVTOOLS_HTML_IT_radio, HTML_IT_RADIO },
59 : { OOO_STRING_SVTOOLS_HTML_IT_range, HTML_IT_RANGE },
60 : { OOO_STRING_SVTOOLS_HTML_IT_scribble, HTML_IT_SCRIBBLE },
61 : { OOO_STRING_SVTOOLS_HTML_IT_file, HTML_IT_FILE },
62 : { OOO_STRING_SVTOOLS_HTML_IT_hidden, HTML_IT_HIDDEN },
63 : { OOO_STRING_SVTOOLS_HTML_IT_submit, HTML_IT_SUBMIT },
64 : { OOO_STRING_SVTOOLS_HTML_IT_image, HTML_IT_IMAGE },
65 : { OOO_STRING_SVTOOLS_HTML_IT_reset, HTML_IT_RESET },
66 : { OOO_STRING_SVTOOLS_HTML_IT_button, HTML_IT_BUTTON },
67 : { 0, 0 }
68 : };
69 :
70 : // <TABLE FRAME=xxx>
71 : static HTMLOptionEnum const aTableFrameOptEnums[] =
72 : {
73 : { OOO_STRING_SVTOOLS_HTML_TF_void, HTML_TF_VOID },
74 : { OOO_STRING_SVTOOLS_HTML_TF_above, HTML_TF_ABOVE },
75 : { OOO_STRING_SVTOOLS_HTML_TF_below, HTML_TF_BELOW },
76 : { OOO_STRING_SVTOOLS_HTML_TF_hsides, HTML_TF_HSIDES },
77 : { OOO_STRING_SVTOOLS_HTML_TF_lhs, HTML_TF_LHS },
78 : { OOO_STRING_SVTOOLS_HTML_TF_rhs, HTML_TF_RHS },
79 : { OOO_STRING_SVTOOLS_HTML_TF_vsides, HTML_TF_VSIDES },
80 : { OOO_STRING_SVTOOLS_HTML_TF_box, HTML_TF_BOX },
81 : { OOO_STRING_SVTOOLS_HTML_TF_border, HTML_TF_BOX },
82 : { 0, 0 }
83 : };
84 :
85 : // <TABLE RULES=xxx>
86 : static HTMLOptionEnum const aTableRulesOptEnums[] =
87 : {
88 : { OOO_STRING_SVTOOLS_HTML_TR_none, HTML_TR_NONE },
89 : { OOO_STRING_SVTOOLS_HTML_TR_groups, HTML_TR_GROUPS },
90 : { OOO_STRING_SVTOOLS_HTML_TR_rows, HTML_TR_ROWS },
91 : { OOO_STRING_SVTOOLS_HTML_TR_cols, HTML_TR_COLS },
92 : { OOO_STRING_SVTOOLS_HTML_TR_all, HTML_TR_ALL },
93 : { 0, 0 }
94 : };
95 :
96 0 : sal_uInt16 HTMLOption::GetEnum( const HTMLOptionEnum *pOptEnums, sal_uInt16 nDflt ) const
97 : {
98 0 : sal_uInt16 nValue = nDflt;
99 :
100 0 : while( pOptEnums->pName )
101 0 : if( aValue.equalsIgnoreAsciiCaseAscii( pOptEnums->pName ) )
102 0 : break;
103 : else
104 0 : pOptEnums++;
105 :
106 0 : if( pOptEnums->pName )
107 0 : nValue = pOptEnums->nValue;
108 :
109 0 : return nValue;
110 : }
111 :
112 0 : bool HTMLOption::GetEnum( sal_uInt16 &rEnum, const HTMLOptionEnum *pOptEnums ) const
113 : {
114 0 : while( pOptEnums->pName )
115 : {
116 0 : if( aValue.equalsIgnoreAsciiCaseAscii( pOptEnums->pName ) )
117 0 : break;
118 : else
119 0 : pOptEnums++;
120 : }
121 :
122 0 : const sal_Char *pName = pOptEnums->pName;
123 0 : if( pName )
124 0 : rEnum = pOptEnums->nValue;
125 :
126 0 : return (pName != 0);
127 : }
128 :
129 0 : HTMLOption::HTMLOption( sal_uInt16 nTok, const OUString& rToken,
130 : const OUString& rValue )
131 : : aValue(rValue)
132 : , aToken(rToken)
133 0 : , nToken( nTok )
134 : {
135 : DBG_ASSERT( nToken>=HTML_OPTION_START && nToken<HTML_OPTION_END,
136 : "HTMLOption: unknown token" );
137 0 : }
138 :
139 0 : sal_uInt32 HTMLOption::GetNumber() const
140 : {
141 : DBG_ASSERT( (nToken>=HTML_OPTION_NUMBER_START &&
142 : nToken<HTML_OPTION_NUMBER_END) ||
143 : (nToken>=HTML_OPTION_CONTEXT_START &&
144 : nToken<HTML_OPTION_CONTEXT_END) ||
145 : nToken==HTML_O_VALUE,
146 : "GetNumber: Option not numerical" );
147 0 : OUString aTmp(comphelper::string::stripStart(aValue, ' '));
148 0 : sal_Int32 nTmp = aTmp.toInt32();
149 0 : return nTmp >= 0 ? (sal_uInt32)nTmp : 0;
150 : }
151 :
152 0 : sal_Int32 HTMLOption::GetSNumber() const
153 : {
154 : DBG_ASSERT( (nToken>=HTML_OPTION_NUMBER_START && nToken<HTML_OPTION_NUMBER_END) ||
155 : (nToken>=HTML_OPTION_CONTEXT_START && nToken<HTML_OPTION_CONTEXT_END),
156 : "GetSNumber: Option not numerical" );
157 0 : OUString aTmp(comphelper::string::stripStart(aValue, ' '));
158 0 : return aTmp.toInt32();
159 : }
160 :
161 0 : void HTMLOption::GetNumbers( std::vector<sal_uInt32> &rNumbers, bool bSpaceDelim ) const
162 : {
163 0 : rNumbers.clear();
164 :
165 0 : if( bSpaceDelim )
166 : {
167 : // This is a very simplified scanner: it only searches all
168 : // numerals in the string.
169 0 : bool bInNum = false;
170 0 : sal_uLong nNum = 0;
171 0 : for( sal_Int32 i=0; i<aValue.getLength(); i++ )
172 : {
173 0 : sal_Unicode c = aValue[ i ];
174 0 : if( c>='0' && c<='9' )
175 : {
176 0 : nNum *= 10;
177 0 : nNum += (c - '0');
178 0 : bInNum = true;
179 : }
180 0 : else if( bInNum )
181 : {
182 0 : rNumbers.push_back( nNum );
183 0 : bInNum = false;
184 0 : nNum = 0;
185 : }
186 : }
187 0 : if( bInNum )
188 : {
189 0 : rNumbers.push_back( nNum );
190 : }
191 : }
192 : else
193 : {
194 : // Check whether numbers are separated by ',' and
195 : // insert 0 if necessary
196 0 : sal_Int32 nPos = 0;
197 0 : while( nPos < aValue.getLength() )
198 : {
199 : sal_Unicode c;
200 0 : while( nPos < aValue.getLength() &&
201 0 : ((c=aValue[nPos]) == ' ' || c == '\t' ||
202 0 : c == '\n' || c== '\r' ) )
203 0 : nPos++;
204 :
205 0 : if( nPos==aValue.getLength() )
206 0 : rNumbers.push_back(0);
207 : else
208 : {
209 0 : sal_Int32 nEnd = aValue.indexOf( (sal_Unicode)',', nPos );
210 0 : if( -1 == nEnd )
211 : {
212 0 : sal_Int32 nTmp = aValue.copy(nPos).toInt32();
213 0 : rNumbers.push_back( nTmp >= 0 ? (sal_uInt32)nTmp : 0 );
214 0 : nPos = aValue.getLength();
215 : }
216 : else
217 : {
218 0 : sal_Int32 nTmp = aValue.copy(nPos,nEnd-nPos).toInt32();
219 0 : rNumbers.push_back( nTmp >= 0 ? (sal_uInt32)nTmp : 0 );
220 0 : nPos = nEnd+1;
221 : }
222 : }
223 : }
224 : }
225 0 : }
226 :
227 0 : void HTMLOption::GetColor( Color& rColor ) const
228 : {
229 : DBG_ASSERT( (nToken>=HTML_OPTION_COLOR_START && nToken<HTML_OPTION_COLOR_END) || nToken==HTML_O_SIZE,
230 : "GetColor: Option is not a color." );
231 :
232 0 : OUString aTmp(aValue.toAsciiLowerCase());
233 0 : sal_uInt32 nColor = SAL_MAX_UINT32;
234 0 : if( '#' != aTmp[0] )
235 0 : nColor = GetHTMLColor( aTmp );
236 :
237 0 : if( SAL_MAX_UINT32 == nColor )
238 : {
239 0 : nColor = 0;
240 0 : sal_Int32 nPos = 0;
241 0 : for (sal_uInt32 i=0; i<6; ++i)
242 : {
243 : // Whatever Netscape does to get color values,
244 : // at maximum three characters < '0' are ignored.
245 0 : sal_Unicode c = nPos<aTmp.getLength() ? aTmp[ nPos++ ] : '0';
246 0 : if( c < '0' )
247 : {
248 0 : c = nPos<aTmp.getLength() ? aTmp[nPos++] : '0';
249 0 : if( c < '0' )
250 0 : c = nPos<aTmp.getLength() ? aTmp[nPos++] : '0';
251 : }
252 0 : nColor *= 16;
253 0 : if( c >= '0' && c <= '9' )
254 0 : nColor += (c - '0');
255 0 : else if( c >= 'a' && c <= 'f' )
256 0 : nColor += (c + 0xa - 'a');
257 : }
258 : }
259 :
260 0 : rColor.SetRed( (sal_uInt8)((nColor & 0x00ff0000) >> 16) );
261 0 : rColor.SetGreen( (sal_uInt8)((nColor & 0x0000ff00) >> 8));
262 0 : rColor.SetBlue( (sal_uInt8)(nColor & 0x000000ff) );
263 0 : }
264 :
265 0 : HTMLInputType HTMLOption::GetInputType() const
266 : {
267 : DBG_ASSERT( nToken==HTML_O_TYPE, "GetInputType: Option not TYPE" );
268 0 : return (HTMLInputType)GetEnum( aInputTypeOptEnums, HTML_IT_TEXT );
269 : }
270 :
271 0 : HTMLTableFrame HTMLOption::GetTableFrame() const
272 : {
273 : DBG_ASSERT( nToken==HTML_O_FRAME, "GetTableFrame: Option not FRAME" );
274 0 : return (HTMLTableFrame)GetEnum( aTableFrameOptEnums, HTML_TF_VOID );
275 : }
276 :
277 0 : HTMLTableRules HTMLOption::GetTableRules() const
278 : {
279 : DBG_ASSERT( nToken==HTML_O_RULES, "GetTableRules: Option not RULES" );
280 0 : return (HTMLTableRules)GetEnum( aTableRulesOptEnums, HTML_TR_NONE );
281 : }
282 :
283 0 : HTMLParser::HTMLParser( SvStream& rIn, bool bReadNewDoc ) :
284 : SvParser( rIn ),
285 : bNewDoc(bReadNewDoc),
286 : bIsInHeader(true),
287 : bIsInBody(false),
288 : bReadListing(false),
289 : bReadXMP(false),
290 : bReadPRE(false),
291 : bReadTextArea(false),
292 : bReadScript(false),
293 : bReadStyle(false),
294 : bEndTokenFound(false),
295 : bPre_IgnoreNewPara(false),
296 : bReadNextChar(false),
297 : bReadComment(false),
298 : nPre_LinePos(0),
299 0 : mnPendingOffToken(0)
300 : {
301 : //#i76649, default to UTF-8 for HTML unless we know differently
302 0 : SetSrcEncoding(RTL_TEXTENCODING_UTF8);
303 0 : }
304 :
305 0 : HTMLParser::~HTMLParser()
306 : {
307 0 : }
308 :
309 0 : SvParserState HTMLParser::CallParser()
310 : {
311 0 : eState = SVPAR_WORKING;
312 0 : nNextCh = GetNextChar();
313 0 : SaveState( 0 );
314 :
315 0 : nPre_LinePos = 0;
316 0 : bPre_IgnoreNewPara = false;
317 :
318 0 : AddRef();
319 0 : Continue( 0 );
320 0 : if( SVPAR_PENDING != eState )
321 0 : ReleaseRef(); // Parser not needed anymore
322 :
323 0 : return eState;
324 : }
325 :
326 0 : void HTMLParser::Continue( int nToken )
327 : {
328 0 : if( !nToken )
329 0 : nToken = GetNextToken();
330 :
331 0 : while( IsParserWorking() )
332 : {
333 0 : SaveState( nToken );
334 0 : nToken = FilterToken( nToken );
335 :
336 0 : if( nToken )
337 0 : NextToken( nToken );
338 :
339 0 : if( IsParserWorking() )
340 0 : SaveState( 0 ); // continue with new token
341 :
342 0 : nToken = GetNextToken();
343 : }
344 0 : }
345 :
346 0 : int HTMLParser::FilterToken( int nToken )
347 : {
348 0 : switch( nToken )
349 : {
350 : case sal_Unicode(EOF):
351 0 : nToken = 0;
352 0 : break; // don't pass
353 :
354 : case HTML_HEAD_OFF:
355 0 : bIsInBody = true;
356 0 : bIsInHeader = false;
357 0 : break;
358 :
359 : case HTML_HEAD_ON:
360 0 : bIsInHeader = true;
361 0 : break;
362 :
363 : case HTML_BODY_ON:
364 0 : bIsInHeader = false;
365 0 : bIsInBody = true;
366 0 : break;
367 :
368 : case HTML_FRAMESET_ON:
369 0 : bIsInHeader = false;
370 0 : bIsInBody = false;
371 0 : break;
372 :
373 : case HTML_BODY_OFF:
374 0 : bIsInBody = bReadPRE = bReadListing = bReadXMP = false;
375 0 : break;
376 :
377 : case HTML_HTML_OFF:
378 0 : nToken = 0;
379 0 : bReadPRE = bReadListing = bReadXMP = false;
380 0 : break; // HTML_ON hasn't been passed either !
381 :
382 : case HTML_PREFORMTXT_ON:
383 0 : StartPRE();
384 0 : break;
385 :
386 : case HTML_PREFORMTXT_OFF:
387 0 : FinishPRE();
388 0 : break;
389 :
390 : case HTML_LISTING_ON:
391 0 : StartListing();
392 0 : break;
393 :
394 : case HTML_LISTING_OFF:
395 0 : FinishListing();
396 0 : break;
397 :
398 : case HTML_XMP_ON:
399 0 : StartXMP();
400 0 : break;
401 :
402 : case HTML_XMP_OFF:
403 0 : FinishXMP();
404 0 : break;
405 :
406 : default:
407 0 : if( bReadPRE )
408 0 : nToken = FilterPRE( nToken );
409 0 : else if( bReadListing )
410 0 : nToken = FilterListing( nToken );
411 0 : else if( bReadXMP )
412 0 : nToken = FilterXMP( nToken );
413 :
414 0 : break;
415 : }
416 :
417 0 : return nToken;
418 : }
419 :
420 : #define HTML_ISDIGIT( c ) comphelper::string::isdigitAscii(c)
421 : #define HTML_ISALPHA( c ) comphelper::string::isalphaAscii(c)
422 : #define HTML_ISALNUM( c ) comphelper::string::isalnumAscii(c)
423 : #define HTML_ISSPACE( c ) ( ' ' == c || (c >= 0x09 && c <= 0x0d) )
424 : #define HTML_ISPRINTABLE( c ) ( c >= 32 && c != 127)
425 : #define HTML_ISHEXDIGIT( c ) comphelper::string::isxdigitAscii(c)
426 :
427 0 : int HTMLParser::ScanText( const sal_Unicode cBreak )
428 : {
429 0 : OUStringBuffer sTmpBuffer( MAX_LEN );
430 0 : bool bContinue = true;
431 0 : bool bEqSignFound = false;
432 0 : sal_Unicode cQuote = 0U;
433 :
434 0 : while( bContinue && IsParserWorking() )
435 : {
436 0 : bool bNextCh = true;
437 0 : switch( nNextCh )
438 : {
439 : case '&':
440 0 : bEqSignFound = false;
441 0 : if( bReadXMP )
442 0 : sTmpBuffer.append( '&' );
443 : else
444 : {
445 0 : sal_uLong nStreamPos = rInput.Tell();
446 0 : sal_uLong nLinePos = GetLinePos();
447 :
448 0 : sal_Unicode cChar = 0U;
449 0 : if( '#' == (nNextCh = GetNextChar()) )
450 : {
451 0 : nNextCh = GetNextChar();
452 0 : const bool bIsHex( 'x' == nNextCh );
453 0 : const bool bIsDecOrHex( bIsHex || HTML_ISDIGIT(nNextCh) );
454 0 : if ( bIsDecOrHex )
455 : {
456 0 : if ( bIsHex )
457 : {
458 0 : nNextCh = GetNextChar();
459 0 : while ( HTML_ISHEXDIGIT(nNextCh) )
460 : {
461 : cChar = cChar * 16U +
462 0 : ( nNextCh <= '9'
463 : ? sal_Unicode( nNextCh - '0' )
464 0 : : ( nNextCh <= 'F'
465 : ? sal_Unicode( nNextCh - 'A' + 10 )
466 0 : : sal_Unicode( nNextCh - 'a' + 10 ) ) );
467 0 : nNextCh = GetNextChar();
468 : }
469 : }
470 : else
471 : {
472 0 : do
473 : {
474 0 : cChar = cChar * 10U + sal_Unicode( nNextCh - '0');
475 0 : nNextCh = GetNextChar();
476 : }
477 0 : while( HTML_ISDIGIT(nNextCh) );
478 : }
479 :
480 0 : if( RTL_TEXTENCODING_DONTKNOW != eSrcEnc &&
481 0 : RTL_TEXTENCODING_UCS2 != eSrcEnc &&
482 0 : RTL_TEXTENCODING_UTF8 != eSrcEnc &&
483 : cChar < 256 )
484 : {
485 : const sal_uInt32 convertFlags =
486 : RTL_TEXTTOUNICODE_FLAGS_UNDEFINED_DEFAULT |
487 : RTL_TEXTTOUNICODE_FLAGS_MBUNDEFINED_DEFAULT |
488 0 : RTL_TEXTTOUNICODE_FLAGS_INVALID_DEFAULT;
489 :
490 0 : sal_Char cEncodedChar = static_cast<sal_Char>(cChar);
491 0 : cChar = OUString(&cEncodedChar, 1, eSrcEnc, convertFlags).toChar();
492 0 : if( 0U == cChar )
493 : {
494 : // If the character could not be
495 : // converted, because a conversion is not
496 : // available, do no conversion at all.
497 0 : cChar = cEncodedChar;
498 : }
499 : }
500 : }
501 : else
502 0 : nNextCh = 0U;
503 : }
504 0 : else if( HTML_ISALPHA( nNextCh ) )
505 : {
506 0 : OUStringBuffer sEntityBuffer( MAX_ENTITY_LEN );
507 0 : sal_Int32 nPos = 0L;
508 0 : do
509 : {
510 0 : sEntityBuffer.append( nNextCh );
511 0 : nPos++;
512 0 : nNextCh = GetNextChar();
513 : }
514 0 : while( nPos < MAX_ENTITY_LEN && HTML_ISALNUM( nNextCh ) &&
515 0 : !rInput.IsEof() );
516 :
517 0 : if( IsParserWorking() && !rInput.IsEof() )
518 : {
519 0 : OUString sEntity(sEntityBuffer.getStr(), nPos);
520 0 : cChar = GetHTMLCharName( sEntity );
521 :
522 : // not found ( == 0 ): plain text
523 : // or a character which is inserted as attribute
524 0 : if( 0U == cChar && ';' != nNextCh )
525 : {
526 : DBG_ASSERT( rInput.Tell() - nStreamPos ==
527 : (sal_uLong)(nPos+1L)*GetCharSize(),
528 : "UTF-8 is failing here" );
529 0 : for( sal_Int32 i = nPos-1; i>1; i-- )
530 : {
531 0 : nNextCh = sEntityBuffer[i];
532 0 : sEntityBuffer.setLength( i );
533 0 : sEntity = OUString(sEntityBuffer.getStr(), i);
534 0 : cChar = GetHTMLCharName( sEntity );
535 0 : if( cChar )
536 : {
537 : rInput.SeekRel( -(long)
538 0 : ((nPos-i)*GetCharSize()) );
539 0 : nlLinePos -= sal_uInt32(nPos-i);
540 0 : nPos = i;
541 0 : ClearTxtConvContext();
542 0 : break;
543 : }
544 : }
545 : }
546 :
547 0 : if( !cChar ) // unknown character?
548 : {
549 : // back in stream, insert '&'
550 : // and restart with next character
551 0 : sTmpBuffer.append( '&' );
552 :
553 : DBG_ASSERT( rInput.Tell()-nStreamPos ==
554 : (sal_uLong)(nPos+1)*GetCharSize(),
555 : "Wrong stream position" );
556 : DBG_ASSERT( nlLinePos-nLinePos ==
557 : (sal_uLong)(nPos+1),
558 : "Wrong line position" );
559 0 : rInput.Seek( nStreamPos );
560 0 : nlLinePos = nLinePos;
561 0 : ClearTxtConvContext();
562 0 : break;
563 : }
564 :
565 : assert(cChar != 0);
566 :
567 : // 1 == Non Breaking Space
568 : // 2 == SoftHyphen
569 :
570 0 : if (cChar == 1 || cChar == 2)
571 : {
572 0 : if( '>' == cBreak )
573 : {
574 : // When reading the content of a tag we have
575 : // to change it to ' ' or '-'
576 0 : if( 1U == cChar )
577 0 : cChar = ' ';
578 : else //2U
579 0 : cChar = '-';
580 : }
581 : else
582 : {
583 : // If not scanning a tag return token
584 0 : aToken += sTmpBuffer.makeStringAndClear();
585 :
586 0 : if( !aToken.isEmpty() )
587 : {
588 : // restart with character
589 0 : nNextCh = '&';
590 : DBG_ASSERT( rInput.Tell()-nStreamPos ==
591 : (sal_uLong)(nPos+1)*GetCharSize(),
592 : "Wrong stream position" );
593 : DBG_ASSERT( nlLinePos-nLinePos ==
594 : (sal_uLong)(nPos+1),
595 : "Wrong line position" );
596 0 : rInput.Seek( nStreamPos );
597 0 : nlLinePos = nLinePos;
598 0 : ClearTxtConvContext();
599 0 : return HTML_TEXTTOKEN;
600 : }
601 :
602 : // Hack: _GetNextChar shall not read the
603 : // next character
604 0 : if( ';' != nNextCh )
605 0 : aToken += " ";
606 0 : if( 1U == cChar )
607 0 : return HTML_NONBREAKSPACE;
608 : else //2U
609 0 : return HTML_SOFTHYPH;
610 : }
611 0 : }
612 : }
613 : else
614 0 : nNextCh = 0U;
615 : }
616 : // &{...};-JavaScript-Macros are not supported any longer.
617 0 : else if( IsParserWorking() )
618 : {
619 0 : sTmpBuffer.append( '&' );
620 0 : bNextCh = false;
621 0 : break;
622 : }
623 :
624 0 : bNextCh = (';' == nNextCh);
625 0 : if( cBreak=='>' && (cChar=='\\' || cChar=='\'' ||
626 0 : cChar=='\"' || cChar==' ') )
627 : {
628 : // ' and " have to be escaped withing tags to separate
629 : // them from ' and " enclosing options.
630 : // \ has to be escaped as well.
631 : // Space is protected because it's not a delimiter between
632 : // options.
633 0 : sTmpBuffer.append( '\\' );
634 0 : if( MAX_LEN == sTmpBuffer.getLength() )
635 0 : aToken += sTmpBuffer.makeStringAndClear();
636 : }
637 0 : if( IsParserWorking() )
638 : {
639 0 : if( cChar )
640 0 : sTmpBuffer.append( cChar );
641 : }
642 0 : else if( SVPAR_PENDING==eState && '>'!=cBreak )
643 : {
644 : // Restart with '&', the remainder is returned as
645 : // text token.
646 0 : if( !aToken.isEmpty() || !sTmpBuffer.isEmpty() )
647 : {
648 : // _GetNextChar() returns the previous text and
649 : // during the next execution a new character is read.
650 : // Thus we have to position in front of the '&'.
651 0 : nNextCh = 0U;
652 0 : rInput.Seek( nStreamPos-(sal_uInt32)GetCharSize() );
653 0 : nlLinePos = nLinePos-1;
654 0 : ClearTxtConvContext();
655 0 : bReadNextChar = true;
656 : }
657 0 : bNextCh = false;
658 : }
659 : }
660 0 : break;
661 : case '=':
662 0 : if( '>'==cBreak && !cQuote )
663 0 : bEqSignFound = true;
664 0 : sTmpBuffer.append( nNextCh );
665 0 : break;
666 :
667 : case '\\':
668 0 : if( '>'==cBreak )
669 : {
670 : // Innerhalb von Tags kennzeichnen
671 0 : sTmpBuffer.append( '\\' );
672 0 : if( MAX_LEN == sTmpBuffer.getLength() )
673 0 : aToken += sTmpBuffer.makeStringAndClear();
674 : }
675 0 : sTmpBuffer.append( '\\' );
676 0 : break;
677 :
678 : case '\"':
679 : case '\'':
680 0 : if( '>'==cBreak )
681 : {
682 0 : if( bEqSignFound )
683 0 : cQuote = nNextCh;
684 0 : else if( cQuote && (cQuote==nNextCh ) )
685 0 : cQuote = 0U;
686 : }
687 0 : sTmpBuffer.append( nNextCh );
688 0 : bEqSignFound = false;
689 0 : break;
690 :
691 : case sal_Unicode(EOF):
692 0 : if( rInput.IsEof() )
693 : {
694 0 : bContinue = false;
695 : }
696 : else
697 : {
698 0 : sTmpBuffer.append( nNextCh );
699 : }
700 0 : break;
701 :
702 : case '<':
703 0 : bEqSignFound = false;
704 0 : if( '>'==cBreak )
705 0 : sTmpBuffer.append( nNextCh );
706 : else
707 0 : bContinue = false; // break, String zusammen
708 0 : break;
709 :
710 : case '\f':
711 0 : if( '>' == cBreak )
712 : {
713 : // If scanning options treat it like a space, ...
714 0 : sTmpBuffer.append( ' ' );
715 : }
716 : else
717 : {
718 : // otherwise it's a separate token.
719 0 : bContinue = false;
720 : }
721 0 : break;
722 :
723 : case '\r':
724 : case '\n':
725 0 : if( '>'==cBreak )
726 : {
727 : // cr/lf in tag is handled in _GetNextToken()
728 0 : sTmpBuffer.append( nNextCh );
729 0 : break;
730 : }
731 0 : else if( bReadListing || bReadXMP || bReadPRE || bReadTextArea )
732 : {
733 0 : bContinue = false;
734 0 : break;
735 : }
736 : // Reduce sequence of CR/LF/BLANK/TAB to a single blank
737 : // no break!!
738 : case '\t':
739 0 : if( '\t'==nNextCh && bReadPRE && '>'!=cBreak )
740 : {
741 : // Pass Tabs up in <PRE>
742 0 : bContinue = false;
743 0 : break;
744 : }
745 : // no break
746 : case '\x0b':
747 0 : if( '\x0b'==nNextCh && (bReadPRE || bReadXMP ||bReadListing) &&
748 : '>'!=cBreak )
749 : {
750 0 : break;
751 : }
752 0 : nNextCh = ' ';
753 : // no break;
754 : case ' ':
755 0 : sTmpBuffer.append( nNextCh );
756 0 : if( '>'!=cBreak && (!bReadListing && !bReadXMP &&
757 0 : !bReadPRE && !bReadTextArea) )
758 : {
759 : // Reduce sequences of Blanks/Tabs/CR/LF to a single blank
760 0 : do {
761 0 : if( sal_Unicode(EOF) == (nNextCh = GetNextChar()) &&
762 0 : rInput.IsEof() )
763 : {
764 0 : if( !aToken.isEmpty() || sTmpBuffer.getLength() > 1L )
765 : {
766 : // Have seen s.th. aside from blanks?
767 0 : aToken += sTmpBuffer.makeStringAndClear();
768 0 : return HTML_TEXTTOKEN;
769 : }
770 : else
771 : // Only read blanks: no text must be returned
772 : // and _GetNextToken has to read until EOF
773 0 : return 0;
774 : }
775 0 : } while ( ' ' == nNextCh || '\t' == nNextCh ||
776 0 : '\r' == nNextCh || '\n' == nNextCh ||
777 0 : '\x0b' == nNextCh );
778 0 : bNextCh = false;
779 : }
780 0 : break;
781 :
782 : default:
783 0 : bEqSignFound = false;
784 0 : if (nNextCh == cBreak && !cQuote)
785 0 : bContinue = false;
786 : else
787 : {
788 0 : do {
789 : // All remaining characters make their way into the text.
790 0 : sTmpBuffer.append( nNextCh );
791 0 : if( MAX_LEN == sTmpBuffer.getLength() )
792 : {
793 0 : aToken += sTmpBuffer.makeStringAndClear();
794 : }
795 0 : if( ( sal_Unicode(EOF) == (nNextCh = GetNextChar()) &&
796 0 : rInput.IsEof() ) ||
797 0 : !IsParserWorking() )
798 : {
799 0 : if( !sTmpBuffer.isEmpty() )
800 0 : aToken += sTmpBuffer.makeStringAndClear();
801 0 : return HTML_TEXTTOKEN;
802 : }
803 0 : } while( HTML_ISALPHA( nNextCh ) || HTML_ISDIGIT( nNextCh ) );
804 0 : bNextCh = false;
805 : }
806 : }
807 :
808 0 : if( MAX_LEN == sTmpBuffer.getLength() )
809 0 : aToken += sTmpBuffer.makeStringAndClear();
810 :
811 0 : if( bContinue && bNextCh )
812 0 : nNextCh = GetNextChar();
813 : }
814 :
815 0 : if( !sTmpBuffer.isEmpty() )
816 0 : aToken += sTmpBuffer.makeStringAndClear();
817 :
818 0 : return HTML_TEXTTOKEN;
819 : }
820 :
821 0 : int HTMLParser::_GetNextRawToken()
822 : {
823 0 : OUStringBuffer sTmpBuffer( MAX_LEN );
824 :
825 0 : if( bEndTokenFound )
826 : {
827 : // During the last execution we already found the end token,
828 : // thus we don't have to search it again.
829 0 : bReadScript = false;
830 0 : bReadStyle = false;
831 0 : aEndToken = "";
832 0 : bEndTokenFound = false;
833 :
834 0 : return 0;
835 : }
836 :
837 : // Default return value: HTML_RAWDATA
838 0 : bool bContinue = true;
839 0 : int nToken = HTML_RAWDATA;
840 0 : SaveState( 0 );
841 0 : while( bContinue && IsParserWorking() )
842 : {
843 0 : bool bNextCh = true;
844 0 : switch( nNextCh )
845 : {
846 : case '<':
847 : {
848 : // Maybe we've reached the end.
849 :
850 : // Save what we have read previously...
851 0 : aToken += sTmpBuffer.makeStringAndClear();
852 :
853 : // and remember position in stream.
854 0 : sal_uLong nStreamPos = rInput.Tell();
855 0 : sal_uLong nLineNr = GetLineNr();
856 0 : sal_uLong nLinePos = GetLinePos();
857 :
858 : // Start of an end token?
859 0 : bool bOffState = false;
860 0 : if( '/' == (nNextCh = GetNextChar()) )
861 : {
862 0 : bOffState = true;
863 0 : nNextCh = GetNextChar();
864 : }
865 0 : else if( '!' == nNextCh )
866 : {
867 0 : sTmpBuffer.append( nNextCh );
868 0 : nNextCh = GetNextChar();
869 : }
870 :
871 : // Read following letters
872 0 : while( (HTML_ISALPHA(nNextCh) || '-'==nNextCh) &&
873 0 : IsParserWorking() && sTmpBuffer.getLength() < MAX_LEN )
874 : {
875 0 : sTmpBuffer.append( nNextCh );
876 0 : nNextCh = GetNextChar();
877 : }
878 :
879 0 : OUString aTok( sTmpBuffer.toString() );
880 0 : aTok = aTok.toAsciiLowerCase();
881 0 : bool bDone = false;
882 0 : if( bReadScript || !aEndToken.isEmpty() )
883 : {
884 0 : if( !bReadComment )
885 : {
886 0 : if( aTok.compareTo( OOO_STRING_SVTOOLS_HTML_comment, 3 )
887 : == 0 )
888 : {
889 0 : bReadComment = true;
890 : }
891 : else
892 : {
893 : // A script has to end with "</SCRIPT>". But
894 : // ">" is optional for security reasons
895 0 : bDone = bOffState &&
896 0 : 0 == ( bReadScript
897 0 : ? aTok.compareTo(OOO_STRING_SVTOOLS_HTML_script)
898 0 : : aTok.compareTo(aEndToken) );
899 : }
900 : }
901 0 : if( bReadComment && '>'==nNextCh && aTok.endsWith( "--" ) )
902 : {
903 : // End of comment of style <!----->
904 0 : bReadComment = false;
905 : }
906 : }
907 : else
908 : {
909 : // Style sheets can be closed by </STYLE>, </HEAD> or <BODY>
910 0 : if( bOffState )
911 0 : bDone = aTok.compareTo(OOO_STRING_SVTOOLS_HTML_style)
912 0 : == 0 ||
913 0 : aTok.compareTo(OOO_STRING_SVTOOLS_HTML_head)
914 0 : == 0;
915 : else
916 : bDone =
917 0 : aTok.compareTo(OOO_STRING_SVTOOLS_HTML_body) == 0;
918 : }
919 :
920 0 : if( bDone )
921 : {
922 : // Done! Return the previously read string (if requested)
923 : // and continue.
924 :
925 0 : bContinue = false;
926 :
927 : // nToken==0 means, _GetNextToken continues to read
928 0 : if( aToken.isEmpty() && (bReadStyle || bReadScript) )
929 : {
930 : // Immediately close environment (or context?)
931 : // and parse the end token
932 0 : bReadScript = false;
933 0 : bReadStyle = false;
934 0 : aEndToken = "";
935 0 : nToken = 0;
936 : }
937 : else
938 : {
939 : // Keep bReadScript/bReadStyle alive
940 : // and parse end token during next execution
941 0 : bEndTokenFound = true;
942 : }
943 :
944 : // Move backwards in stream to '<'
945 0 : rInput.Seek( nStreamPos );
946 0 : SetLineNr( nLineNr );
947 0 : SetLinePos( nLinePos );
948 0 : ClearTxtConvContext();
949 0 : nNextCh = '<';
950 :
951 : // Don't append string to token.
952 0 : sTmpBuffer.setLength( 0L );
953 : }
954 : else
955 : {
956 : // remember "</" , everything else we find in the buffer
957 0 : aToken += "<";
958 0 : if( bOffState )
959 0 : aToken += "/";
960 :
961 0 : bNextCh = false;
962 0 : }
963 : }
964 0 : break;
965 : case '-':
966 0 : sTmpBuffer.append( nNextCh );
967 0 : if( bReadComment )
968 : {
969 0 : bool bTwoMinus = false;
970 0 : nNextCh = GetNextChar();
971 0 : while( '-' == nNextCh && IsParserWorking() )
972 : {
973 0 : bTwoMinus = true;
974 :
975 0 : if( MAX_LEN == sTmpBuffer.getLength() )
976 0 : aToken += sTmpBuffer.makeStringAndClear();
977 0 : sTmpBuffer.append( nNextCh );
978 0 : nNextCh = GetNextChar();
979 : }
980 :
981 0 : if( '>' == nNextCh && IsParserWorking() && bTwoMinus )
982 0 : bReadComment = false;
983 :
984 0 : bNextCh = false;
985 : }
986 0 : break;
987 :
988 : case '\r':
989 : // \r\n? closes the current text token (even if it's empty)
990 0 : nNextCh = GetNextChar();
991 0 : if( nNextCh=='\n' )
992 0 : nNextCh = GetNextChar();
993 0 : bContinue = false;
994 0 : break;
995 : case '\n':
996 : // \n closes the current text token (even if it's empty)
997 0 : nNextCh = GetNextChar();
998 0 : bContinue = false;
999 0 : break;
1000 : case sal_Unicode(EOF):
1001 : // eof closes the current text token and behaves like having read
1002 : // an end token
1003 0 : if( rInput.IsEof() )
1004 : {
1005 0 : bContinue = false;
1006 0 : if( !aToken.isEmpty() || !sTmpBuffer.isEmpty() )
1007 : {
1008 0 : bEndTokenFound = true;
1009 : }
1010 : else
1011 : {
1012 0 : bReadScript = false;
1013 0 : bReadStyle = false;
1014 0 : aEndToken = "";
1015 0 : nToken = 0;
1016 : }
1017 0 : break;
1018 : }
1019 : // no break
1020 : default:
1021 : // all remaining characters are appended to the buffer
1022 0 : sTmpBuffer.append( nNextCh );
1023 0 : break;
1024 : }
1025 :
1026 0 : if( (!bContinue && !sTmpBuffer.isEmpty()) ||
1027 0 : MAX_LEN == sTmpBuffer.getLength() )
1028 0 : aToken += sTmpBuffer.makeStringAndClear();
1029 :
1030 0 : if( bContinue && bNextCh )
1031 0 : nNextCh = GetNextChar();
1032 : }
1033 :
1034 0 : if( IsParserWorking() )
1035 0 : SaveState( 0 );
1036 : else
1037 0 : nToken = 0;
1038 :
1039 0 : return nToken;
1040 : }
1041 :
1042 : // Scan next token
1043 0 : int HTMLParser::_GetNextToken()
1044 : {
1045 0 : int nRet = 0;
1046 0 : sSaveToken = "";
1047 :
1048 0 : if (mnPendingOffToken)
1049 : {
1050 : // HTML_<TOKEN>_OFF generated for HTML_<TOKEN>_ON
1051 0 : nRet = mnPendingOffToken;
1052 0 : mnPendingOffToken = 0;
1053 0 : aToken = "";
1054 0 : return nRet;
1055 : }
1056 :
1057 : // Delete options
1058 0 : if (!maOptions.empty())
1059 0 : maOptions.clear();
1060 :
1061 0 : if( !IsParserWorking() ) // Don't continue if already an error occurred
1062 0 : return 0;
1063 :
1064 0 : bool bReadNextCharSave = bReadNextChar;
1065 0 : if( bReadNextChar )
1066 : {
1067 : DBG_ASSERT( !bEndTokenFound,
1068 : "Read a character despite </SCRIPT> was read?" );
1069 0 : nNextCh = GetNextChar();
1070 0 : if( !IsParserWorking() ) // Don't continue if already an error occurred
1071 0 : return 0;
1072 0 : bReadNextChar = false;
1073 : }
1074 :
1075 0 : if( bReadScript || bReadStyle || !aEndToken.isEmpty() )
1076 : {
1077 0 : nRet = _GetNextRawToken();
1078 0 : if( nRet || !IsParserWorking() )
1079 0 : return nRet;
1080 : }
1081 :
1082 0 : do {
1083 0 : bool bNextCh = true;
1084 0 : switch( nNextCh )
1085 : {
1086 : case '<':
1087 : {
1088 0 : sal_uLong nStreamPos = rInput.Tell();
1089 0 : sal_uLong nLineNr = GetLineNr();
1090 0 : sal_uLong nLinePos = GetLinePos();
1091 :
1092 0 : bool bOffState = false;
1093 0 : if( '/' == (nNextCh = GetNextChar()) )
1094 : {
1095 0 : bOffState = true;
1096 0 : nNextCh = GetNextChar();
1097 : }
1098 0 : if( HTML_ISALPHA( nNextCh ) || '!'==nNextCh )
1099 : {
1100 0 : OUStringBuffer sTmpBuffer;
1101 0 : do {
1102 0 : sTmpBuffer.append( nNextCh );
1103 0 : if( MAX_LEN == sTmpBuffer.getLength() )
1104 0 : aToken += sTmpBuffer.makeStringAndClear();
1105 0 : nNextCh = GetNextChar();
1106 0 : } while( '>' != nNextCh && '/' != nNextCh && !HTML_ISSPACE( nNextCh ) &&
1107 0 : IsParserWorking() && !rInput.IsEof() );
1108 :
1109 0 : if( !sTmpBuffer.isEmpty() )
1110 0 : aToken += sTmpBuffer.makeStringAndClear();
1111 :
1112 : // Skip blanks
1113 0 : while( HTML_ISSPACE( nNextCh ) && IsParserWorking() )
1114 0 : nNextCh = GetNextChar();
1115 :
1116 0 : if( !IsParserWorking() )
1117 : {
1118 0 : if( SVPAR_PENDING == eState )
1119 0 : bReadNextChar = bReadNextCharSave;
1120 0 : break;
1121 : }
1122 :
1123 : // Search token in table:
1124 0 : sSaveToken = aToken;
1125 0 : aToken = aToken.toAsciiLowerCase();
1126 0 : if( 0 == (nRet = GetHTMLToken( aToken )) )
1127 : // Unknown control
1128 0 : nRet = HTML_UNKNOWNCONTROL_ON;
1129 :
1130 : // If it's a token which can be switched off...
1131 0 : if( bOffState )
1132 : {
1133 0 : if( HTML_TOKEN_ONOFF & nRet )
1134 : {
1135 : // and there is an off token, return off token instead
1136 0 : ++nRet;
1137 : }
1138 0 : else if( HTML_LINEBREAK!=nRet )
1139 : {
1140 : // and there is no off token, return unknown token.
1141 : // (except for </BR>, that is treated like <BR>)
1142 0 : nRet = HTML_UNKNOWNCONTROL_OFF;
1143 : }
1144 : }
1145 :
1146 0 : if( nRet == HTML_COMMENT )
1147 : {
1148 : // fix: due to being case sensitive use sSaveToken as start of comment
1149 : // and append a blank.
1150 0 : aToken = sSaveToken;
1151 0 : if( '>'!=nNextCh )
1152 0 : aToken += " ";
1153 0 : sal_uLong nCStreamPos = 0;
1154 0 : sal_uLong nCLineNr = 0;
1155 0 : sal_uLong nCLinePos = 0;
1156 0 : sal_Int32 nCStrLen = 0;
1157 :
1158 0 : bool bDone = false;
1159 : // Read until closing -->. If not found restart at first >
1160 0 : while( !bDone && !rInput.IsEof() && IsParserWorking() )
1161 : {
1162 0 : if( '>'==nNextCh )
1163 : {
1164 0 : if( !nCStreamPos )
1165 : {
1166 0 : nCStreamPos = rInput.Tell();
1167 0 : nCStrLen = aToken.getLength();
1168 0 : nCLineNr = GetLineNr();
1169 0 : nCLinePos = GetLinePos();
1170 : }
1171 0 : bDone = aToken.getLength() >= 2 &&
1172 0 : aToken.copy(aToken.getLength()-2,2).
1173 0 : equalsAscii( "--" );
1174 0 : if( !bDone )
1175 0 : aToken += OUString(nNextCh);
1176 : }
1177 : else
1178 0 : aToken += OUString(nNextCh);
1179 0 : if( !bDone )
1180 0 : nNextCh = GetNextChar();
1181 : }
1182 0 : if( !bDone && IsParserWorking() && nCStreamPos )
1183 : {
1184 0 : rInput.Seek( nCStreamPos );
1185 0 : SetLineNr( nCLineNr );
1186 0 : SetLinePos( nCLinePos );
1187 0 : ClearTxtConvContext();
1188 0 : aToken = aToken.copy(0, nCStrLen);
1189 0 : nNextCh = '>';
1190 : }
1191 : }
1192 : else
1193 : {
1194 : // TokenString not needed anymore
1195 0 : aToken = "";
1196 : }
1197 :
1198 : // Read until closing '>'
1199 0 : if( '>' != nNextCh && IsParserWorking() )
1200 : {
1201 0 : ScanText( '>' );
1202 :
1203 : // fdo#34666 fdo#36080 fdo#36390: closing "/>"?:
1204 : // generate pending HTML_<TOKEN>_OFF for HTML_<TOKEN>_ON
1205 : // Do not convert this to a single HTML_<TOKEN>_OFF
1206 : // which lead to fdo#56772.
1207 0 : if ((HTML_TOKEN_ONOFF & nRet) && aToken.endsWith("/"))
1208 : {
1209 0 : mnPendingOffToken = nRet + 1; // HTML_<TOKEN>_ON -> HTML_<TOKEN>_OFF
1210 0 : aToken = aToken.replaceAt( aToken.getLength()-1, 1, ""); // remove trailing '/'
1211 : }
1212 0 : if( sal_Unicode(EOF) == nNextCh && rInput.IsEof() )
1213 : {
1214 : // Move back in front of < and restart there.
1215 : // Return < as text.
1216 0 : rInput.Seek( nStreamPos );
1217 0 : SetLineNr( nLineNr );
1218 0 : SetLinePos( nLinePos );
1219 0 : ClearTxtConvContext();
1220 :
1221 0 : aToken = "<";
1222 0 : nRet = HTML_TEXTTOKEN;
1223 0 : nNextCh = GetNextChar();
1224 0 : bNextCh = false;
1225 0 : break;
1226 : }
1227 : }
1228 0 : if( SVPAR_PENDING == eState )
1229 0 : bReadNextChar = bReadNextCharSave;
1230 : }
1231 : else
1232 : {
1233 0 : if( bOffState )
1234 : {
1235 : // einfach alles wegschmeissen
1236 0 : ScanText( '>' );
1237 0 : if( sal_Unicode(EOF) == nNextCh && rInput.IsEof() )
1238 : {
1239 : // Move back in front of < and restart there.
1240 : // Return < as text.
1241 0 : rInput.Seek( nStreamPos );
1242 0 : SetLineNr( nLineNr );
1243 0 : SetLinePos( nLinePos );
1244 0 : ClearTxtConvContext();
1245 :
1246 0 : aToken = "<";
1247 0 : nRet = HTML_TEXTTOKEN;
1248 0 : nNextCh = GetNextChar();
1249 0 : bNextCh = false;
1250 0 : break;
1251 : }
1252 0 : if( SVPAR_PENDING == eState )
1253 0 : bReadNextChar = bReadNextCharSave;
1254 0 : aToken = "";
1255 : }
1256 0 : else if( '%' == nNextCh )
1257 : {
1258 0 : nRet = HTML_UNKNOWNCONTROL_ON;
1259 :
1260 0 : sal_uLong nCStreamPos = rInput.Tell();
1261 0 : sal_uLong nCLineNr = GetLineNr(), nCLinePos = GetLinePos();
1262 :
1263 0 : bool bDone = false;
1264 : // Read until closing %>. If not found restart at first >.
1265 0 : while( !bDone && !rInput.IsEof() && IsParserWorking() )
1266 : {
1267 0 : bDone = '>'==nNextCh && aToken.endsWith("%");
1268 0 : if( !bDone )
1269 : {
1270 0 : aToken += OUString(nNextCh);
1271 0 : nNextCh = GetNextChar();
1272 : }
1273 : }
1274 0 : if( !bDone && IsParserWorking() )
1275 : {
1276 0 : rInput.Seek( nCStreamPos );
1277 0 : SetLineNr( nCLineNr );
1278 0 : SetLinePos( nCLinePos );
1279 0 : ClearTxtConvContext();
1280 0 : aToken = "<%";
1281 0 : nRet = HTML_TEXTTOKEN;
1282 0 : break;
1283 : }
1284 0 : if( IsParserWorking() )
1285 : {
1286 0 : sSaveToken = aToken;
1287 0 : aToken = "";
1288 : }
1289 : }
1290 : else
1291 : {
1292 0 : aToken = "<";
1293 0 : nRet = HTML_TEXTTOKEN;
1294 0 : bNextCh = false;
1295 0 : break;
1296 : }
1297 : }
1298 :
1299 0 : if( IsParserWorking() )
1300 : {
1301 0 : bNextCh = '>' == nNextCh;
1302 0 : switch( nRet )
1303 : {
1304 : case HTML_TEXTAREA_ON:
1305 0 : bReadTextArea = true;
1306 0 : break;
1307 : case HTML_TEXTAREA_OFF:
1308 0 : bReadTextArea = false;
1309 0 : break;
1310 : case HTML_SCRIPT_ON:
1311 0 : if( !bReadTextArea )
1312 0 : bReadScript = true;
1313 0 : break;
1314 : case HTML_SCRIPT_OFF:
1315 0 : if( !bReadTextArea )
1316 : {
1317 0 : bReadScript = false;
1318 : // JavaScript might modify the stream,
1319 : // thus the last character has to be read again.
1320 0 : bReadNextChar = true;
1321 0 : bNextCh = false;
1322 : }
1323 0 : break;
1324 :
1325 : case HTML_STYLE_ON:
1326 0 : bReadStyle = true;
1327 0 : break;
1328 : case HTML_STYLE_OFF:
1329 0 : bReadStyle = false;
1330 0 : break;
1331 : }
1332 : }
1333 : }
1334 0 : break;
1335 :
1336 : case sal_Unicode(EOF):
1337 0 : if( rInput.IsEof() )
1338 : {
1339 0 : eState = SVPAR_ACCEPTED;
1340 0 : nRet = nNextCh;
1341 : }
1342 : else
1343 : {
1344 : // Read normal text.
1345 0 : goto scan_text;
1346 : }
1347 0 : break;
1348 :
1349 : case '\f':
1350 : // form feeds are passed upwards separately
1351 0 : nRet = HTML_LINEFEEDCHAR; // !!! should be FORMFEEDCHAR
1352 0 : break;
1353 :
1354 : case '\n':
1355 : case '\r':
1356 0 : if( bReadListing || bReadXMP || bReadPRE || bReadTextArea )
1357 : {
1358 0 : sal_Unicode c = GetNextChar();
1359 0 : if( ( '\n' != nNextCh || '\r' != c ) &&
1360 0 : ( '\r' != nNextCh || '\n' != c ) )
1361 : {
1362 0 : bNextCh = false;
1363 0 : nNextCh = c;
1364 : }
1365 0 : nRet = HTML_NEWPARA;
1366 0 : break;
1367 : }
1368 : // no break !
1369 : case '\t':
1370 0 : if( bReadPRE )
1371 : {
1372 0 : nRet = HTML_TABCHAR;
1373 0 : break;
1374 : }
1375 : // no break !
1376 : case ' ':
1377 : // no break !
1378 : default:
1379 :
1380 : scan_text:
1381 : // "normal" text to come
1382 0 : nRet = ScanText();
1383 0 : bNextCh = 0 == aToken.getLength();
1384 :
1385 : // the text should be processed
1386 0 : if( !bNextCh && eState == SVPAR_PENDING )
1387 : {
1388 0 : eState = SVPAR_WORKING;
1389 0 : bReadNextChar = true;
1390 : }
1391 :
1392 0 : break;
1393 : }
1394 :
1395 0 : if( bNextCh && SVPAR_WORKING == eState )
1396 : {
1397 0 : nNextCh = GetNextChar();
1398 0 : if( SVPAR_PENDING == eState && nRet && HTML_TEXTTOKEN != nRet )
1399 : {
1400 0 : bReadNextChar = true;
1401 0 : eState = SVPAR_WORKING;
1402 : }
1403 : }
1404 :
1405 0 : } while( !nRet && SVPAR_WORKING == eState );
1406 :
1407 0 : if( SVPAR_PENDING == eState )
1408 0 : nRet = -1; // s.th. invalid
1409 :
1410 0 : return nRet;
1411 : }
1412 :
1413 0 : void HTMLParser::UnescapeToken()
1414 : {
1415 0 : sal_Int32 nPos=0;
1416 :
1417 0 : bool bEscape = false;
1418 0 : while( nPos < aToken.getLength() )
1419 : {
1420 0 : bool bOldEscape = bEscape;
1421 0 : bEscape = false;
1422 0 : if( '\\'==aToken[nPos] && !bOldEscape )
1423 : {
1424 0 : aToken = aToken.replaceAt( nPos, 1, "" );
1425 0 : bEscape = true;
1426 : }
1427 : else
1428 : {
1429 0 : nPos++;
1430 : }
1431 : }
1432 0 : }
1433 :
1434 0 : const HTMLOptions& HTMLParser::GetOptions( sal_uInt16 *pNoConvertToken )
1435 : {
1436 : // If the options for the current token have already been returned,
1437 : // return them once again.
1438 0 : if (!maOptions.empty())
1439 0 : return maOptions;
1440 :
1441 0 : sal_Int32 nPos = 0;
1442 0 : while( nPos < aToken.getLength() )
1443 : {
1444 : // A letter? Option beginning here.
1445 0 : if( HTML_ISALPHA( aToken[nPos] ) )
1446 : {
1447 : int nToken;
1448 0 : OUString aValue;
1449 0 : sal_Int32 nStt = nPos;
1450 0 : sal_Unicode cChar = 0;
1451 :
1452 : // Actually only certain characters allowed.
1453 : // Netscape only looks for "=" and white space (c.f.
1454 : // Mozilla: PA_FetchRequestedNameValues in lipparse/pa_mdl.c)
1455 0 : while( nPos < aToken.getLength() && '=' != (cChar=aToken[nPos]) &&
1456 0 : HTML_ISPRINTABLE(cChar) && !HTML_ISSPACE(cChar) )
1457 0 : nPos++;
1458 :
1459 0 : OUString sName( aToken.copy( nStt, nPos-nStt ) );
1460 :
1461 : // PlugIns require original token name. Convert to lower case only for searching.
1462 0 : nToken = GetHTMLOption( sName.toAsciiLowerCase() ); // Name is ready
1463 : DBG_ASSERTWARNING( nToken!=HTML_O_UNKNOWN,
1464 : "GetOption: unknown HTML option" );
1465 0 : bool bStripCRLF = (nToken < HTML_OPTION_SCRIPT_START ||
1466 0 : nToken >= HTML_OPTION_SCRIPT_END) &&
1467 0 : (!pNoConvertToken || nToken != *pNoConvertToken);
1468 :
1469 0 : while( nPos < aToken.getLength() &&
1470 0 : ( !HTML_ISPRINTABLE( (cChar=aToken[nPos]) ) ||
1471 0 : HTML_ISSPACE(cChar) ) )
1472 0 : nPos++;
1473 :
1474 : // Option with value?
1475 0 : if( nPos!=aToken.getLength() && '='==cChar )
1476 : {
1477 0 : nPos++;
1478 :
1479 0 : while( nPos < aToken.getLength() &&
1480 0 : ( !HTML_ISPRINTABLE( (cChar=aToken[nPos]) ) ||
1481 0 : ' '==cChar || '\t'==cChar || '\r'==cChar || '\n'==cChar ) )
1482 0 : nPos++;
1483 :
1484 0 : if( nPos != aToken.getLength() )
1485 : {
1486 0 : sal_Int32 nLen = 0;
1487 0 : nStt = nPos;
1488 0 : if( ('"'==cChar) || ('\'')==cChar )
1489 : {
1490 0 : sal_Unicode cEnd = cChar;
1491 0 : nPos++; nStt++;
1492 0 : bool bDone = false;
1493 0 : bool bEscape = false;
1494 0 : while( nPos < aToken.getLength() && !bDone )
1495 : {
1496 0 : bool bOldEscape = bEscape;
1497 0 : bEscape = false;
1498 0 : cChar = aToken[nPos];
1499 0 : switch( cChar )
1500 : {
1501 : case '\r':
1502 : case '\n':
1503 0 : if( bStripCRLF )
1504 0 : aToken = aToken.replaceAt( nPos, 1, "" );
1505 : else
1506 0 : nPos++, nLen++;
1507 0 : break;
1508 : case '\\':
1509 0 : if( bOldEscape )
1510 : {
1511 0 : nPos++, nLen++;
1512 : }
1513 : else
1514 : {
1515 0 : aToken = aToken.replaceAt( nPos, 1, "" );
1516 0 : bEscape = true;
1517 : }
1518 0 : break;
1519 : case '"':
1520 : case '\'':
1521 0 : bDone = !bOldEscape && cChar==cEnd;
1522 0 : if( !bDone )
1523 0 : nPos++, nLen++;
1524 0 : break;
1525 : default:
1526 0 : nPos++, nLen++;
1527 0 : break;
1528 : }
1529 : }
1530 0 : if( nPos!=aToken.getLength() )
1531 0 : nPos++;
1532 : }
1533 : else
1534 : {
1535 : // More liberal than the standard: allow all printable characters
1536 0 : bool bEscape = false;
1537 0 : bool bDone = false;
1538 0 : while( nPos < aToken.getLength() && !bDone )
1539 : {
1540 0 : bool bOldEscape = bEscape;
1541 0 : bEscape = false;
1542 0 : sal_Unicode c = aToken[nPos];
1543 0 : switch( c )
1544 : {
1545 : case ' ':
1546 0 : bDone = !bOldEscape;
1547 0 : if( !bDone )
1548 0 : nPos++, nLen++;
1549 0 : break;
1550 :
1551 : case '\t':
1552 : case '\r':
1553 : case '\n':
1554 0 : bDone = true;
1555 0 : break;
1556 :
1557 : case '\\':
1558 0 : if( bOldEscape )
1559 : {
1560 0 : nPos++, nLen++;
1561 : }
1562 : else
1563 : {
1564 0 : aToken = aToken.replaceAt( nPos, 1, "" );
1565 0 : bEscape = true;
1566 : }
1567 0 : break;
1568 :
1569 : default:
1570 0 : if( HTML_ISPRINTABLE( c ) )
1571 0 : nPos++, nLen++;
1572 : else
1573 0 : bDone = true;
1574 0 : break;
1575 : }
1576 : }
1577 : }
1578 :
1579 0 : if( nLen )
1580 0 : aValue = aToken.copy( nStt, nLen );
1581 : }
1582 : }
1583 :
1584 : // Token is known and can be saved
1585 : std::auto_ptr<HTMLOption> pOption(
1586 0 : new HTMLOption(sal::static_int_cast<sal_uInt16>(nToken), sName, aValue));
1587 :
1588 0 : maOptions.push_back(pOption);
1589 : }
1590 : else
1591 : // Ignore white space and unexpected characters
1592 0 : nPos++;
1593 : }
1594 :
1595 0 : return maOptions;
1596 : }
1597 :
1598 0 : int HTMLParser::FilterPRE( int nToken )
1599 : {
1600 0 : switch( nToken )
1601 : {
1602 : // in Netscape they only have impact in not empty paragraphs
1603 : case HTML_PARABREAK_ON:
1604 0 : nToken = HTML_LINEBREAK;
1605 : case HTML_LINEBREAK:
1606 : case HTML_NEWPARA:
1607 0 : nPre_LinePos = 0;
1608 0 : if( bPre_IgnoreNewPara )
1609 0 : nToken = 0;
1610 0 : break;
1611 :
1612 : case HTML_TABCHAR:
1613 : {
1614 0 : sal_Int32 nSpaces = (8 - (nPre_LinePos % 8));
1615 : DBG_ASSERT( aToken.isEmpty(), "Why is the token not empty?" );
1616 0 : if (aToken.getLength() < nSpaces)
1617 : {
1618 : using comphelper::string::padToLength;
1619 0 : OUStringBuffer aBuf(aToken);
1620 0 : aToken = padToLength(aBuf, nSpaces, ' ').makeStringAndClear();
1621 : }
1622 0 : nPre_LinePos += nSpaces;
1623 0 : nToken = HTML_TEXTTOKEN;
1624 : }
1625 0 : break;
1626 : // Keep those
1627 : case HTML_TEXTTOKEN:
1628 0 : nPre_LinePos += aToken.getLength();
1629 0 : break;
1630 :
1631 : case HTML_SELECT_ON:
1632 : case HTML_SELECT_OFF:
1633 : case HTML_BODY_ON:
1634 : case HTML_FORM_ON:
1635 : case HTML_FORM_OFF:
1636 : case HTML_INPUT:
1637 : case HTML_OPTION:
1638 : case HTML_TEXTAREA_ON:
1639 : case HTML_TEXTAREA_OFF:
1640 :
1641 : case HTML_IMAGE:
1642 : case HTML_APPLET_ON:
1643 : case HTML_APPLET_OFF:
1644 : case HTML_PARAM:
1645 : case HTML_EMBED:
1646 :
1647 : case HTML_HEAD1_ON:
1648 : case HTML_HEAD1_OFF:
1649 : case HTML_HEAD2_ON:
1650 : case HTML_HEAD2_OFF:
1651 : case HTML_HEAD3_ON:
1652 : case HTML_HEAD3_OFF:
1653 : case HTML_HEAD4_ON:
1654 : case HTML_HEAD4_OFF:
1655 : case HTML_HEAD5_ON:
1656 : case HTML_HEAD5_OFF:
1657 : case HTML_HEAD6_ON:
1658 : case HTML_HEAD6_OFF:
1659 : case HTML_BLOCKQUOTE_ON:
1660 : case HTML_BLOCKQUOTE_OFF:
1661 : case HTML_ADDRESS_ON:
1662 : case HTML_ADDRESS_OFF:
1663 : case HTML_HORZRULE:
1664 :
1665 : case HTML_CENTER_ON:
1666 : case HTML_CENTER_OFF:
1667 : case HTML_DIVISION_ON:
1668 : case HTML_DIVISION_OFF:
1669 :
1670 : case HTML_SCRIPT_ON:
1671 : case HTML_SCRIPT_OFF:
1672 : case HTML_RAWDATA:
1673 :
1674 : case HTML_TABLE_ON:
1675 : case HTML_TABLE_OFF:
1676 : case HTML_CAPTION_ON:
1677 : case HTML_CAPTION_OFF:
1678 : case HTML_COLGROUP_ON:
1679 : case HTML_COLGROUP_OFF:
1680 : case HTML_COL_ON:
1681 : case HTML_COL_OFF:
1682 : case HTML_THEAD_ON:
1683 : case HTML_THEAD_OFF:
1684 : case HTML_TFOOT_ON:
1685 : case HTML_TFOOT_OFF:
1686 : case HTML_TBODY_ON:
1687 : case HTML_TBODY_OFF:
1688 : case HTML_TABLEROW_ON:
1689 : case HTML_TABLEROW_OFF:
1690 : case HTML_TABLEDATA_ON:
1691 : case HTML_TABLEDATA_OFF:
1692 : case HTML_TABLEHEADER_ON:
1693 : case HTML_TABLEHEADER_OFF:
1694 :
1695 : case HTML_ANCHOR_ON:
1696 : case HTML_ANCHOR_OFF:
1697 : case HTML_BOLD_ON:
1698 : case HTML_BOLD_OFF:
1699 : case HTML_ITALIC_ON:
1700 : case HTML_ITALIC_OFF:
1701 : case HTML_STRIKE_ON:
1702 : case HTML_STRIKE_OFF:
1703 : case HTML_STRIKETHROUGH_ON:
1704 : case HTML_STRIKETHROUGH_OFF:
1705 : case HTML_UNDERLINE_ON:
1706 : case HTML_UNDERLINE_OFF:
1707 : case HTML_BASEFONT_ON:
1708 : case HTML_BASEFONT_OFF:
1709 : case HTML_FONT_ON:
1710 : case HTML_FONT_OFF:
1711 : case HTML_BLINK_ON:
1712 : case HTML_BLINK_OFF:
1713 : case HTML_SPAN_ON:
1714 : case HTML_SPAN_OFF:
1715 : case HTML_SUBSCRIPT_ON:
1716 : case HTML_SUBSCRIPT_OFF:
1717 : case HTML_SUPERSCRIPT_ON:
1718 : case HTML_SUPERSCRIPT_OFF:
1719 : case HTML_BIGPRINT_ON:
1720 : case HTML_BIGPRINT_OFF:
1721 : case HTML_SMALLPRINT_OFF:
1722 : case HTML_SMALLPRINT_ON:
1723 :
1724 : case HTML_EMPHASIS_ON:
1725 : case HTML_EMPHASIS_OFF:
1726 : case HTML_CITIATION_ON:
1727 : case HTML_CITIATION_OFF:
1728 : case HTML_STRONG_ON:
1729 : case HTML_STRONG_OFF:
1730 : case HTML_CODE_ON:
1731 : case HTML_CODE_OFF:
1732 : case HTML_SAMPLE_ON:
1733 : case HTML_SAMPLE_OFF:
1734 : case HTML_KEYBOARD_ON:
1735 : case HTML_KEYBOARD_OFF:
1736 : case HTML_VARIABLE_ON:
1737 : case HTML_VARIABLE_OFF:
1738 : case HTML_DEFINSTANCE_ON:
1739 : case HTML_DEFINSTANCE_OFF:
1740 : case HTML_SHORTQUOTE_ON:
1741 : case HTML_SHORTQUOTE_OFF:
1742 : case HTML_LANGUAGE_ON:
1743 : case HTML_LANGUAGE_OFF:
1744 : case HTML_AUTHOR_ON:
1745 : case HTML_AUTHOR_OFF:
1746 : case HTML_PERSON_ON:
1747 : case HTML_PERSON_OFF:
1748 : case HTML_ACRONYM_ON:
1749 : case HTML_ACRONYM_OFF:
1750 : case HTML_ABBREVIATION_ON:
1751 : case HTML_ABBREVIATION_OFF:
1752 : case HTML_INSERTEDTEXT_ON:
1753 : case HTML_INSERTEDTEXT_OFF:
1754 : case HTML_DELETEDTEXT_ON:
1755 : case HTML_DELETEDTEXT_OFF:
1756 : case HTML_TELETYPE_ON:
1757 : case HTML_TELETYPE_OFF:
1758 :
1759 0 : break;
1760 :
1761 : // The remainder is treated as an unknown token.
1762 : default:
1763 0 : if( nToken )
1764 : {
1765 : nToken =
1766 0 : ( ((HTML_TOKEN_ONOFF & nToken) && (1 & nToken))
1767 : ? HTML_UNKNOWNCONTROL_OFF
1768 0 : : HTML_UNKNOWNCONTROL_ON );
1769 : }
1770 0 : break;
1771 : }
1772 :
1773 0 : bPre_IgnoreNewPara = false;
1774 :
1775 0 : return nToken;
1776 : }
1777 :
1778 0 : int HTMLParser::FilterXMP( int nToken )
1779 : {
1780 0 : switch( nToken )
1781 : {
1782 : case HTML_NEWPARA:
1783 0 : if( bPre_IgnoreNewPara )
1784 0 : nToken = 0;
1785 : case HTML_TEXTTOKEN:
1786 : case HTML_NONBREAKSPACE:
1787 : case HTML_SOFTHYPH:
1788 0 : break; // kept
1789 :
1790 : default:
1791 0 : if( nToken )
1792 : {
1793 0 : if( (HTML_TOKEN_ONOFF & nToken) && (1 & nToken) )
1794 : {
1795 0 : sSaveToken = "</" + sSaveToken;
1796 : }
1797 : else
1798 0 : sSaveToken = "<" + sSaveToken;
1799 0 : if( !aToken.isEmpty() )
1800 : {
1801 0 : UnescapeToken();
1802 0 : sSaveToken += " ";
1803 0 : aToken = sSaveToken + aToken;
1804 : }
1805 : else
1806 0 : aToken = sSaveToken;
1807 0 : aToken += ">";
1808 0 : nToken = HTML_TEXTTOKEN;
1809 : }
1810 0 : break;
1811 : }
1812 :
1813 0 : bPre_IgnoreNewPara = false;
1814 :
1815 0 : return nToken;
1816 : }
1817 :
1818 0 : int HTMLParser::FilterListing( int nToken )
1819 : {
1820 0 : switch( nToken )
1821 : {
1822 : case HTML_NEWPARA:
1823 0 : if( bPre_IgnoreNewPara )
1824 0 : nToken = 0;
1825 : case HTML_TEXTTOKEN:
1826 : case HTML_NONBREAKSPACE:
1827 : case HTML_SOFTHYPH:
1828 0 : break; // kept
1829 :
1830 : default:
1831 0 : if( nToken )
1832 : {
1833 : nToken =
1834 0 : ( ((HTML_TOKEN_ONOFF & nToken) && (1 & nToken))
1835 : ? HTML_UNKNOWNCONTROL_OFF
1836 0 : : HTML_UNKNOWNCONTROL_ON );
1837 : }
1838 0 : break;
1839 : }
1840 :
1841 0 : bPre_IgnoreNewPara = false;
1842 :
1843 0 : return nToken;
1844 : }
1845 :
1846 0 : bool HTMLParser::IsHTMLFormat( const sal_Char* pHeader,
1847 : bool bSwitchToUCS2,
1848 : rtl_TextEncoding eEnc )
1849 : {
1850 : // If the string matches one of the following regular expressions then
1851 : // the document is a HTML document.
1852 :
1853 : // ^[^<]*<[^ \t]*[> \t]
1854 : // -------
1855 : // ^<!
1856 :
1857 : // where the underlined subexpression has to be a HTML token
1858 0 : OString sCmp;
1859 0 : bool bUCS2B = false;
1860 0 : if( bSwitchToUCS2 )
1861 : {
1862 0 : if( 0xfeU == (unsigned char)pHeader[0] &&
1863 0 : 0xffU == (unsigned char)pHeader[1] )
1864 : {
1865 0 : eEnc = RTL_TEXTENCODING_UCS2;
1866 0 : bUCS2B = true;
1867 : }
1868 0 : else if( 0xffU == (unsigned char)pHeader[0] &&
1869 0 : 0xfeU == (unsigned char)pHeader[1] )
1870 : {
1871 0 : eEnc = RTL_TEXTENCODING_UCS2;
1872 : }
1873 : }
1874 0 : if
1875 : (
1876 0 : RTL_TEXTENCODING_UCS2 == eEnc &&
1877 : (
1878 0 : (0xfe == (unsigned char)pHeader[0] && 0xff == (unsigned char)pHeader[1]) ||
1879 0 : (0xff == (unsigned char)pHeader[0] && 0xfe == (unsigned char)pHeader[1])
1880 : )
1881 : )
1882 : {
1883 0 : if( 0xfe == (unsigned char)pHeader[0] )
1884 0 : bUCS2B = true;
1885 :
1886 0 : sal_Int32 nLen = 2;
1887 0 : while( pHeader[nLen] != 0 || pHeader[nLen+1] != 0 )
1888 0 : nLen += 2;
1889 :
1890 0 : OStringBuffer sTmp( (nLen - 2)/2 );
1891 0 : for( sal_Int32 nPos = 2; nPos < nLen; nPos += 2 )
1892 : {
1893 : sal_Unicode cUC;
1894 0 : if( bUCS2B )
1895 0 : cUC = (sal_Unicode(pHeader[nPos]) << 8) | pHeader[nPos+1];
1896 : else
1897 0 : cUC = (sal_Unicode(pHeader[nPos+1]) << 8) | pHeader[nPos];
1898 0 : if( 0U == cUC )
1899 0 : break;
1900 :
1901 0 : sTmp.append( cUC < 256U ? (sal_Char)cUC : '.' );
1902 : }
1903 0 : sCmp = sTmp.makeStringAndClear();
1904 : }
1905 : else
1906 : {
1907 0 : sCmp = pHeader;
1908 : }
1909 :
1910 0 : sCmp = sCmp.toAsciiLowerCase();
1911 :
1912 : // A HTML document must have a '<' in the first line
1913 0 : sal_Int32 nStart = sCmp.indexOf('<');
1914 0 : if (nStart == -1)
1915 0 : return false;
1916 0 : nStart++;
1917 :
1918 : // followed by arbitrary characters followed by a blank or '>'
1919 : sal_Char c;
1920 : sal_Int32 nPos;
1921 0 : for( nPos = nStart; nPos < sCmp.getLength(); ++nPos )
1922 : {
1923 0 : if( '>'==(c=sCmp[nPos]) || HTML_ISSPACE(c) )
1924 0 : break;
1925 : }
1926 :
1927 : // If the document ends after < it's no HTML
1928 0 : if( nPos==nStart )
1929 0 : return false;
1930 :
1931 : // the string following '<' has to be a known HTML token.
1932 : // <DIR> is not interpreted as HTML. Otherwise the output of the DOS command "DIR"
1933 : // could be interpreted as HTML.
1934 0 : OUString sTest(OStringToOUString(sCmp.copy(nStart, nPos-nStart), RTL_TEXTENCODING_ASCII_US));
1935 0 : int nTok = GetHTMLToken( sTest );
1936 0 : if( 0 != nTok && HTML_DIRLIST_ON != nTok )
1937 0 : return true;
1938 :
1939 : // "<!" at the very beginning of the file?
1940 0 : if( nStart == 1 && '!' == sCmp[1] )
1941 0 : return true;
1942 :
1943 : // <HTML> somewhere in the first 80 characters of the document
1944 0 : nStart = sCmp.indexOf(OOO_STRING_SVTOOLS_HTML_html);
1945 0 : if( nStart>0 && '<'==sCmp[nStart-1] &&
1946 0 : nStart+4 < sCmp.getLength() && '>'==sCmp[nStart+4] )
1947 0 : return true;
1948 :
1949 : // Else it's rather not a HTML document
1950 0 : return false;
1951 : }
1952 :
1953 0 : bool HTMLParser::InternalImgToPrivateURL( OUString& rURL )
1954 : {
1955 0 : if( rURL.getLength() < 19 || 'i' != rURL[0] ||
1956 0 : rURL.compareTo( OOO_STRING_SVTOOLS_HTML_internal_gopher, 9 ) != 0 )
1957 0 : return false;
1958 :
1959 0 : bool bFound = false;
1960 :
1961 0 : if( rURL.compareTo( OOO_STRING_SVTOOLS_HTML_internal_gopher,16) == 0 )
1962 : {
1963 0 : OUString aName( rURL.copy(16) );
1964 0 : switch( aName[0] )
1965 : {
1966 : case 'b':
1967 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_binary;
1968 0 : break;
1969 : case 'i':
1970 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_image ||
1971 0 : aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_index;
1972 0 : break;
1973 : case 'm':
1974 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_menu ||
1975 0 : aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_movie;
1976 0 : break;
1977 : case 's':
1978 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_sound;
1979 0 : break;
1980 : case 't':
1981 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_telnet ||
1982 0 : aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_text;
1983 0 : break;
1984 : case 'u':
1985 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_GOPHER_unknown;
1986 0 : break;
1987 0 : }
1988 : }
1989 0 : else if( rURL.compareTo( OOO_STRING_SVTOOLS_HTML_internal_icon,14) == 0 )
1990 : {
1991 0 : OUString aName( rURL.copy(14) );
1992 0 : switch( aName[0] )
1993 : {
1994 : case 'b':
1995 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_ICON_baddata;
1996 0 : break;
1997 : case 'd':
1998 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_ICON_delayed;
1999 0 : break;
2000 : case 'e':
2001 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_ICON_embed;
2002 0 : break;
2003 : case 'i':
2004 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_ICON_insecure;
2005 0 : break;
2006 : case 'n':
2007 0 : bFound = aName == OOO_STRING_SVTOOLS_HTML_INT_ICON_notfound;
2008 0 : break;
2009 0 : }
2010 : }
2011 0 : if( bFound )
2012 : {
2013 0 : OUString sTmp ( rURL );
2014 0 : rURL = OOO_STRING_SVTOOLS_HTML_private_image;
2015 0 : rURL += sTmp;
2016 : }
2017 :
2018 0 : return bFound;
2019 : }
2020 :
2021 : enum eHtmlMetas {
2022 : HTML_META_NONE = 0,
2023 : HTML_META_AUTHOR,
2024 : HTML_META_DESCRIPTION,
2025 : HTML_META_KEYWORDS,
2026 : HTML_META_REFRESH,
2027 : HTML_META_CLASSIFICATION,
2028 : HTML_META_CREATED,
2029 : HTML_META_CHANGEDBY,
2030 : HTML_META_CHANGED,
2031 : HTML_META_GENERATOR,
2032 : HTML_META_SDFOOTNOTE,
2033 : HTML_META_SDENDNOTE,
2034 : HTML_META_CONTENT_TYPE
2035 : };
2036 :
2037 : // <META NAME=xxx>
2038 : static HTMLOptionEnum const aHTMLMetaNameTable[] =
2039 : {
2040 : { OOO_STRING_SVTOOLS_HTML_META_author, HTML_META_AUTHOR },
2041 : { OOO_STRING_SVTOOLS_HTML_META_changed, HTML_META_CHANGED },
2042 : { OOO_STRING_SVTOOLS_HTML_META_changedby, HTML_META_CHANGEDBY },
2043 : { OOO_STRING_SVTOOLS_HTML_META_classification,HTML_META_CLASSIFICATION},
2044 : { OOO_STRING_SVTOOLS_HTML_META_content_type, HTML_META_CONTENT_TYPE },
2045 : { OOO_STRING_SVTOOLS_HTML_META_created, HTML_META_CREATED },
2046 : { OOO_STRING_SVTOOLS_HTML_META_description, HTML_META_DESCRIPTION },
2047 : { OOO_STRING_SVTOOLS_HTML_META_keywords, HTML_META_KEYWORDS },
2048 : { OOO_STRING_SVTOOLS_HTML_META_generator, HTML_META_GENERATOR },
2049 : { OOO_STRING_SVTOOLS_HTML_META_refresh, HTML_META_REFRESH },
2050 : { OOO_STRING_SVTOOLS_HTML_META_sdendnote, HTML_META_SDENDNOTE },
2051 : { OOO_STRING_SVTOOLS_HTML_META_sdfootnote, HTML_META_SDFOOTNOTE },
2052 : { 0, 0 }
2053 : };
2054 :
2055 :
2056 0 : void HTMLParser::AddMetaUserDefined( OUString const & )
2057 : {
2058 0 : }
2059 :
2060 0 : bool HTMLParser::ParseMetaOptionsImpl(
2061 : const uno::Reference<document::XDocumentProperties> & i_xDocProps,
2062 : SvKeyValueIterator *i_pHTTPHeader,
2063 : const HTMLOptions& aOptions,
2064 : rtl_TextEncoding& o_rEnc )
2065 : {
2066 0 : OUString aName, aContent;
2067 0 : sal_uInt16 nAction = HTML_META_NONE;
2068 0 : bool bHTTPEquiv = false, bChanged = false;
2069 :
2070 0 : for ( size_t i = aOptions.size(); i; )
2071 : {
2072 0 : const HTMLOption& aOption = aOptions[--i];
2073 0 : switch ( aOption.GetToken() )
2074 : {
2075 : case HTML_O_NAME:
2076 0 : aName = aOption.GetString();
2077 0 : if ( HTML_META_NONE==nAction )
2078 : {
2079 0 : aOption.GetEnum( nAction, aHTMLMetaNameTable );
2080 : }
2081 0 : break;
2082 : case HTML_O_HTTPEQUIV:
2083 0 : aName = aOption.GetString();
2084 0 : aOption.GetEnum( nAction, aHTMLMetaNameTable );
2085 0 : bHTTPEquiv = true;
2086 0 : break;
2087 : case HTML_O_CONTENT:
2088 0 : aContent = aOption.GetString();
2089 0 : break;
2090 : }
2091 : }
2092 :
2093 0 : if ( bHTTPEquiv || HTML_META_DESCRIPTION != nAction )
2094 : {
2095 : // if it is not a Description, remove CRs and LFs from CONTENT
2096 0 : aContent = comphelper::string::remove(aContent, '\r');
2097 0 : aContent = comphelper::string::remove(aContent, '\n');
2098 : }
2099 : else
2100 : {
2101 : // convert line endings for Description
2102 0 : aContent = convertLineEnd(aContent, GetSystemLineEnd());
2103 : }
2104 :
2105 :
2106 0 : if ( bHTTPEquiv && i_pHTTPHeader )
2107 : {
2108 : // Netscape seems to just ignore a closing ", so we do too
2109 0 : if ( aContent.endsWith("\"") )
2110 : {
2111 0 : aContent = aContent.copy( 0, aContent.getLength() - 1 );
2112 : }
2113 0 : SvKeyValue aKeyValue( aName, aContent );
2114 0 : i_pHTTPHeader->Append( aKeyValue );
2115 : }
2116 :
2117 0 : switch ( nAction )
2118 : {
2119 : case HTML_META_AUTHOR:
2120 0 : if (i_xDocProps.is()) {
2121 0 : i_xDocProps->setAuthor( aContent );
2122 0 : bChanged = true;
2123 : }
2124 0 : break;
2125 : case HTML_META_DESCRIPTION:
2126 0 : if (i_xDocProps.is()) {
2127 0 : i_xDocProps->setDescription( aContent );
2128 0 : bChanged = true;
2129 : }
2130 0 : break;
2131 : case HTML_META_KEYWORDS:
2132 0 : if (i_xDocProps.is()) {
2133 0 : i_xDocProps->setKeywords(
2134 0 : ::comphelper::string::convertCommaSeparated(aContent));
2135 0 : bChanged = true;
2136 : }
2137 0 : break;
2138 : case HTML_META_CLASSIFICATION:
2139 0 : if (i_xDocProps.is()) {
2140 0 : i_xDocProps->setSubject( aContent );
2141 0 : bChanged = true;
2142 : }
2143 0 : break;
2144 :
2145 : case HTML_META_CHANGEDBY:
2146 0 : if (i_xDocProps.is()) {
2147 0 : i_xDocProps->setModifiedBy( aContent );
2148 : }
2149 0 : break;
2150 :
2151 : case HTML_META_CREATED:
2152 : case HTML_META_CHANGED:
2153 0 : if ( i_xDocProps.is() && !aContent.isEmpty() &&
2154 0 : comphelper::string::getTokenCount(aContent, ';') == 2 )
2155 : {
2156 0 : Date aDate( (sal_uLong)aContent.getToken(0, ';').toInt32() );
2157 0 : Time aTime( (sal_uLong)aContent.getToken(1, ';').toInt32() );
2158 0 : DateTime aDateTime( aDate, aTime );
2159 0 : ::util::DateTime uDT(aDateTime.GetNanoSec(),
2160 0 : aDateTime.GetSec(), aDateTime.GetMin(),
2161 0 : aDateTime.GetHour(), aDateTime.GetDay(),
2162 0 : aDateTime.GetMonth(), aDateTime.GetYear(),
2163 0 : false);
2164 0 : if ( HTML_META_CREATED==nAction )
2165 0 : i_xDocProps->setCreationDate( uDT );
2166 : else
2167 0 : i_xDocProps->setModificationDate( uDT );
2168 0 : bChanged = true;
2169 : }
2170 0 : break;
2171 :
2172 : case HTML_META_REFRESH:
2173 : DBG_ASSERT( !bHTTPEquiv || i_pHTTPHeader,
2174 : "Reload-URL aufgrund unterlassener MUSS-Aenderung verlorengegangen" );
2175 0 : break;
2176 :
2177 : case HTML_META_CONTENT_TYPE:
2178 0 : if ( !aContent.isEmpty() )
2179 : {
2180 0 : o_rEnc = GetEncodingByMIME( aContent );
2181 : }
2182 0 : break;
2183 :
2184 : case HTML_META_NONE:
2185 0 : if ( !bHTTPEquiv )
2186 : {
2187 0 : if (i_xDocProps.is())
2188 : {
2189 : uno::Reference<beans::XPropertyContainer> xUDProps
2190 0 : = i_xDocProps->getUserDefinedProperties();
2191 : try {
2192 0 : xUDProps->addProperty(aName,
2193 : beans::PropertyAttribute::REMOVABLE,
2194 0 : uno::makeAny(OUString(aContent)));
2195 0 : AddMetaUserDefined(aName);
2196 0 : bChanged = true;
2197 0 : } catch (uno::Exception &) {
2198 : // ignore
2199 0 : }
2200 : }
2201 : }
2202 0 : break;
2203 : default:
2204 0 : break;
2205 : }
2206 :
2207 0 : return bChanged;
2208 : }
2209 :
2210 0 : bool HTMLParser::ParseMetaOptions(
2211 : const uno::Reference<document::XDocumentProperties> & i_xDocProps,
2212 : SvKeyValueIterator *i_pHeader )
2213 : {
2214 0 : sal_uInt16 nContentOption = HTML_O_CONTENT;
2215 0 : rtl_TextEncoding eEnc = RTL_TEXTENCODING_DONTKNOW;
2216 :
2217 : bool bRet = ParseMetaOptionsImpl( i_xDocProps, i_pHeader,
2218 0 : GetOptions(&nContentOption),
2219 0 : eEnc );
2220 :
2221 : // If the encoding is set by a META tag, it may only overwrite the
2222 : // current encoding if both, the current and the new encoding, are 1-sal_uInt8
2223 : // encodings. Everything else cannot lead to reasonable results.
2224 0 : if (RTL_TEXTENCODING_DONTKNOW != eEnc &&
2225 0 : rtl_isOctetTextEncoding( eEnc ) &&
2226 0 : rtl_isOctetTextEncoding( GetSrcEncoding() ) )
2227 : {
2228 0 : eEnc = GetExtendedCompatibilityTextEncoding( eEnc );
2229 0 : SetSrcEncoding( eEnc );
2230 : }
2231 :
2232 0 : return bRet;
2233 : }
2234 :
2235 0 : rtl_TextEncoding HTMLParser::GetEncodingByMIME( const OUString& rMime )
2236 : {
2237 0 : OUString sType;
2238 0 : OUString sSubType;
2239 0 : INetContentTypeParameterList aParameters;
2240 0 : if (INetContentTypes::parse(rMime, sType, sSubType, &aParameters))
2241 : {
2242 0 : const INetContentTypeParameter * pCharset = aParameters.find("charset");
2243 0 : if (pCharset != 0)
2244 : {
2245 0 : OString sValue(OUStringToOString(pCharset->m_sValue, RTL_TEXTENCODING_ASCII_US));
2246 0 : return GetExtendedCompatibilityTextEncoding( rtl_getTextEncodingFromMimeCharset( sValue.getStr() ) );
2247 : }
2248 : }
2249 0 : return RTL_TEXTENCODING_DONTKNOW;
2250 : }
2251 :
2252 0 : rtl_TextEncoding HTMLParser::GetEncodingByHttpHeader( SvKeyValueIterator *pHTTPHeader )
2253 : {
2254 0 : rtl_TextEncoding eRet = RTL_TEXTENCODING_DONTKNOW;
2255 0 : if( pHTTPHeader )
2256 : {
2257 0 : SvKeyValue aKV;
2258 0 : for( bool bCont = pHTTPHeader->GetFirst( aKV ); bCont;
2259 0 : bCont = pHTTPHeader->GetNext( aKV ) )
2260 : {
2261 0 : if( aKV.GetKey().equalsIgnoreAsciiCase( OOO_STRING_SVTOOLS_HTML_META_content_type ) )
2262 : {
2263 0 : if( !aKV.GetValue().isEmpty() )
2264 : {
2265 0 : eRet = HTMLParser::GetEncodingByMIME( aKV.GetValue() );
2266 : }
2267 : }
2268 0 : }
2269 : }
2270 0 : return eRet;
2271 : }
2272 :
2273 0 : bool HTMLParser::SetEncodingByHTTPHeader( SvKeyValueIterator *pHTTPHeader )
2274 : {
2275 0 : bool bRet = false;
2276 0 : rtl_TextEncoding eEnc = HTMLParser::GetEncodingByHttpHeader( pHTTPHeader );
2277 0 : if(RTL_TEXTENCODING_DONTKNOW != eEnc)
2278 : {
2279 0 : SetSrcEncoding( eEnc );
2280 0 : bRet = true;
2281 : }
2282 0 : return bRet;
2283 : }
2284 :
2285 :
2286 : /* vim:set shiftwidth=4 softtabstop=4 expandtab: */
|
