From fdecfe1b611a9d4d3dfcb453a7b523faa78762fc Mon Sep 17 00:00:00 2001 From: Renoir Boulanger Date: Fri, 18 Oct 2024 14:38:21 -0400 Subject: [PATCH] =?UTF-8?q?chore:=20=F0=9F=A4=96=20In=20content/*=20refact?= =?UTF-8?q?oring=20article=20about=20HTML=20sanitization?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- ...odulaire-et-reutilisable-css-est-publie.md | 5 - ...rosoft-word-en-html-valide-et-simplifie.md | 360 ++++++++++++------ 2 files changed, 241 insertions(+), 124 deletions(-) diff --git a/content/blog/2012/04/les-diapositives-de-ma-presentation-au-html5mtl-comment-entretenir-et-utiliser-une-architecture-modulaire-et-reutilisable-css-est-publie.md b/content/blog/2012/04/les-diapositives-de-ma-presentation-au-html5mtl-comment-entretenir-et-utiliser-une-architecture-modulaire-et-reutilisable-css-est-publie.md index a520a9acc1..c29a2a9e64 100644 --- a/content/blog/2012/04/les-diapositives-de-ma-presentation-au-html5mtl-comment-entretenir-et-utiliser-une-architecture-modulaire-et-reutilisable-css-est-publie.md +++ b/content/blog/2012/04/les-diapositives-de-ma-presentation-au-html5mtl-comment-entretenir-et-utiliser-une-architecture-modulaire-et-reutilisable-css-est-publie.md @@ -48,8 +48,3 @@ Je crois que je devrais ajouter du contenu et améliorer sa structure. Je compte
  • Ajuster le "ce que j'assume" au début de la présentation, et m'assurer que l'audience sait de quoi je parle
  • Donner plus de raisons sur ce que je considère une mauvaise pratique
    • - - - -

    Vous voulez que je présente?

    -Je suis disponible pour faire présentation dans votre école, université, groupe. Laissez-moi le savoir. diff --git a/content/blog/2012/08/comment-je-valide-et-convertit-des-documents-html-trop-charges-ou-provenant-de-microsoft-word-en-html-valide-et-simplifie.md b/content/blog/2012/08/comment-je-valide-et-convertit-des-documents-html-trop-charges-ou-provenant-de-microsoft-word-en-html-valide-et-simplifie.md index 8f84ddf0f3..5549936681 100644 --- a/content/blog/2012/08/comment-je-valide-et-convertit-des-documents-html-trop-charges-ou-provenant-de-microsoft-word-en-html-valide-et-simplifie.md +++ b/content/blog/2012/08/comment-je-valide-et-convertit-des-documents-html-trop-charges-ou-provenant-de-microsoft-word-en-html-valide-et-simplifie.md @@ -1,140 +1,262 @@ --- -locale: fr-CA title: >- Comment je valide et convertit des documents HTML trop chargés ou provenant de Microsoft Word en HTML valide et simplifié +locale: fr-CA +created: 2012-08-30 +updated: 2013-06-11 canonical: >- https://renoirboulanger.com/blog/2012/08/comment-je-valide-et-convertit-des-documents-html-trop-charges-ou-provenant-de-microsoft-word-en-html-valide-et-simplifie/ status: publish revising: true -created: '2012-08-30' -updated: '2013-06-11' +migrateLinks: true +migrateImages: false +gallery: false +caption: false +categories: + - programmation tags: - integration - outils - techniques - tutoriels -categories: - - programmation + - php +webarchiveSnapshots: + - key: unoconv + orig: http://dag.wieers.com/home-made/unoconv/#download + - key: stackoverflow-openoffice + orig: http://stackoverflow.com/questions/3405687/openoffice-org-using-uno-to-convert-docx-to-html + - key: tidy-options + orig: http://tidy.sourceforge.net/docs/quickref.html + - key: htmlawed-docs + orig: http://www.bioinformatics.org/phplabware/internal_utilities/htmLawed/more.htm + - key: htmlawed-settings + orig: http://www.bioinformatics.org/phplabware/internal_utilities/htmLawed/example_settings.htm + - key: htmlawed-home + orig: http://www.bioinformatics.org/phplabware/internal_utilities/htmLawed/index.php +preamble: + date: 2024-09-12 + text: | + Il est fort possible que la méthode utilisée ne sois plus reproduisible car les dépendances + ne sont plus disponibles aux versions utilisées. + + Cette méthode a été très utile pour convertir des fichiers complexes en pages HTML simplifiées + pour affichier des documents légaux. + + Le site qui utilisait cette méthode était pour [l’Union des Artistes (UDA)](https://https://site.uda.ca/) + pour les [ententes collectives](https://site.uda.ca/page/ententes-collectives) et l’engin de recherche + des documents pour les membres. + L’autre partie que j’ai été impliquée pour l'UDA était notamment l’**écriture** + et l’**architecture** du HTML et le styling CSS pour l’ensemble du site. + + La [maquette de travail ("styleguide") est + disponible ici](https://renoirb.com/past-projects/2012/UnionDesArtistes/) excerpt: >- Cette procédure est faite pour permettre de prendre n'importe quel fichier Word ou HTML généré avec beaucoup de tagsoup en en simplifier a sa plus simple expression html. Valide. --- -

    Description

    - -

    Cette procédure est faite optimiser la conversion document word en html, spécialement ceux qui sont généré avec beaucoup de «tagsoup» en en simplifier a sa plus simple expression html. Valide.

    - -

    Sauter à la Procédure

    - -

    Exemple

    - -
    Avant
    - -
    <h2 class="Standard" dir="ltr" lang="fr-FR" style="margin-top: 0; margin-bottom: 0; text-align: center;" xml:lang="fr-FR">
-  <span lang="en-CA" style="font-weight: bold; font-size: 16.0px;" xml:lang="en-CA">TERMS AND CONDITIONS OF 1</span> <span lang="en-CA" style="font-weight: bold; font-size: 16.0px;" xml:lang="en-CA">‐</span> <span lang="en-CA" style="font-weight: bold; font-size: 16.0px;" xml:lang="en-CA">YEAR OR 30</span> <span lang="en-CA" style="font-weight: bold; font-size: 16.0px;" xml:lang="en-CA">‐</span> <span lang="en-CA" style="font-weight: bold; font-size: 16.0px;" xml:lang="en-CA">DAY ACCESS AND USE</span>
-</h2>
-
-<span lang="en-CA" style="font-weight: bold; font-size: 16.0px;" xml:lang="en-CA">OF THE SERVICE BY SUBSCRIBERS</span> <span lang="en-CA" style="font-weight: bold; font-size: 16.0px;" xml:lang="en-CA">SECTION 1</span> <span lang="en-CA" style="font-weight: bold; font-size: 16.0px;" xml:lang="en-CA">PURPOSE OF THE SERVICE</span>
-
    - -
    Après
    - -
    <h2>TERMS AND CONDITIONS OF 1 ‐ YEAR OR 30 ‐ DAY ACCESS AND USE</h2>
-
-<span>OF THE SERVICE BY SUBSCRIBERS SECTION 1 PURPOSE OF THE SERVICE</span> 
-
    - -

     

    - -

    Inspiration et pistes

    - -
      -
    1. Convertir de format document en ligne de commandeDe Word2000 vers HTML, voir UNOCONV http://dag.wieers.com/home-made/unoconv/#download
      2. -
    - - - -

     

    - -

     

    - -

     

    - -

    Procédure 

    - -

    Version abstraite

    - -
      -
    1. Utiliser Open Office (ou peu importe) pour exporter le document en HTML
      2. -
    - -

    * Purifier via HTMLTidy -* Nettoyer les attributs inutiles avec la classe htmLawed 

    - -

    Use cases

    - -

    Document texte seulement

    - - - -

    Étapes concrètes:

    - -
      -
    1. A partir du fichier HTML généré exemple: Fichier appelé "1.1.2.en.html"
      2. -
    - -

    * Extraire le fichier htmLawed.zip -  - cd ~ - mkdir htmlawed - mv htmLawed.zip htmlawed/ - cd htmlawed - unzip htmLawed.zip

    - -

    Passer au travers de la classe htmLawed

    - -
    require('htmLawed.php');
-$config = array('safe'=>1,'elements'=>'a,em,strong,p,ul,li,ol,h1,h2,h3,h4,h5,div,tr,td,table','deny_attribute'=>'* -title -href');
+### Description
+
+Cette procédure est faite optimiser la conversion document word en html,
+spécialement ceux qui sont généré avec beaucoup de «tagsoup» en en simplifier a
+sa plus simple expression HTML. Valide.
+
+#### Exemple
+
+##### Avant
+
+Le HTML a les balises brisées à l'intérieur de chaque balise pour illustrer le
+poid et la répétition
+
+
    
+
+```html
+
    
+  
+    TERMS AND CONDITIONS OF 1
+  
+  ‐
+  
+    YEAR OR 30
+  
+  ‐
+  
+    DAY ACCESS AND USE
+  
+
    
+
+OF THE SERVICE BY SUBSCRIBERS
+SECTION 1
+
+  PURPOSE OF THE SERVICE
+
+```
+
+
    
+
+
+##### Après
+
+
    
+
+```html
+
    TERMS AND CONDITIONS OF 1 ‐ YEAR OR 30 ‐ DAY ACCESS AND USE
    
+
+OF THE SERVICE BY SUBSCRIBERS SECTION 1 PURPOSE OF THE SERVICE
+```
+
+
    
+
+### Inspiration et pistes
+
+1. Convertir de format document en ligne de commande De *Microsoft Word 2000* vers du HTML.
+   Pour ce faire, j’ai suivi [la documentation d’**UNOCONV**][unoconv].
+
+2. Utiliser open office en mode "headless" (en le transformant en service) et y
+   envoyer les documents pour conversion. (Renoir de
+   : l’article original sur _StackOverflow_
+   a été supprimé par l’auteur. Probablement que cette méthode n’est plus
+   valide.)
+
+
+
+### Procédure
+
+#### Version abstraite
+
+1. Utiliser Open Office (ou peu importe) pour exporter le document en HTML
+
+- Purifier via `HTMLTidy`
+- Nettoyer les attributs inutiles avec la classe `htmLawed`
+
+### Use cases
+
+#### Document texte seulement
+
+- Pas de formulaire, ni images, etc.
+- Idéal pour un document légal, par exemple.
+
+### Étapes concrètes:
+
+1. A partir du fichier HTML généré **exemple**: Fichier appelé "`1.1.2.en.html`"
+
+- Extraire le fichier `htmLawed.zip` ([voir site officiel][htmlawed-home])
+qui contient la classe PHP que nous allons utiliser.
+
+```bash
+cd ~
+mkdir htmlawed
+mv htmLawed.zip htmlawed/
+cd htmlawed
+unzip htmLawed.zip
+```
+
+Passer au travers de la classe `htmLawed`
+
+```php
+require('htmLawed.php');
+$config = array('safe'=>1,'elements'=>'a,em,strong,p,ul,li,ol,h1,h2,h3,h4,h5,div,tr,td,table','deny_attribute'=>'* -title -href');
 $out = htmLawed(file_get_contents('in.html'), $config);
 echo $out;
-
    - -

    Rouler le script. Déplacer le fichier a utiliser, puis exécuter le script pour en générer dans out.html

    - -
    cp ~/1.1.2.en.tidy.html in.html
-php cleanup.php &gt; out.html</pre>
-
    - -

    Rouler Tidy. Normaliser le fichier "1.1.2.en.html", Nettoyer les balises, minuscules, etc

    - -
    tidy --drop-font-tags 1 --logical-emphasis 1 --clean 1 --merge-spans 1 --show-body-only 1 --output-xhtml 1 --word-2000 1 --indent "auto" --char-encoding "utf8" --indent-spaces "2" --wrap "90" 1.1.2.en.html &gt; 1.1.2.en.tidy.html
-
    - -

    tada!

    - -

    Précautions

    - -

    Ordre d'exécution des tâches

    - -

    Remarque:

    - -

    J'ai essayé de passer Tidy avant htmLawed et j'ai réalisé que le nettoyage de htmLawed est assez drastique et que Tidy rend le code plus propre. Sans oublier que htmLawed peut générer des balises vides que Tidy va éliminer.

    - -

    Références

    - -
      -
    1. Options Tidy
      2. -
    2. htmLawed Documentation a PHP Html purification Class - -
        -
      1. original documentation
        2. -
      2. Example settings
        3. -
      3. -
    \ No newline at end of file +``` + +Rouler le script. Déplacer le fichier a utiliser, puis exécuter le script pour +en générer dans `out.html` + +```bash +cp ~/1.1.2.en.tidy.html in.html +php cleanup.php > out.html +``` + +Rouler Tidy. **Normaliser le fichier "`1.1.2.en.html`", Nettoyer les balises, +minuscules, etc** + +```bash +tidy \ + --drop-font-tags 1 \ + --logical-emphasis 1 \ + --clean 1 \ + --merge-spans 1 \ + --show-body-only 1 \ + --output-xhtml 1 \ + --word-2000 1 \ + --indent "auto" \ + --char-encoding "utf8" \ + --indent-spaces "2" \ + --wrap "90" \ + 1.1.2.en.html > 1.1.2.en.tidy.html +``` + +tada! + +### Précautions + +Ordre d'exécution des tâches + +**Remarque:** + +J'ai essayé de passer Tidy avant htmLawed et j'ai réalisé que le nettoyage de +htmLawed est assez drastique et que Tidy rend le code plus propre. Sans oublier +que htmLawed peut générer des balises vides que Tidy va éliminer. + +### Références + +1. [Options Tidy][tidy-options] +2. htmLawed Documentation a PHP Html purification Class + 1. [original documentation][htmlawed-docs] + 2. [Example settings][htmlawed-settings] + +[unoconv]: http://dag.wieers.com/home-made/unoconv/#download +[stackoverflow-openoffice]: + http://stackoverflow.com/questions/3405687/openoffice-org-using-uno-to-convert-docx-to-html +[tidy-options]: http://tidy.sourceforge.net/docs/quickref.html +[htmlawed-docs]: + http://www.bioinformatics.org/phplabware/internal_utilities/htmLawed/more.htm +[htmlawed-settings]: + http://www.bioinformatics.org/phplabware/internal_utilities/htmLawed/example_settings.htm +[htmlawed-home]: + http://www.bioinformatics.org/phplabware/internal_utilities/htmLawed/index.php