Método mais rápido para escapar de tags HTML como entidades HTML?

Estou escrevendo uma extensão do Chrome que envolve muitas das seguintes tarefas: higienizar strings que podem conter tags HTML, convertendo <, >e &em <, >e &, respectivamente.

(Em outras palavras, o mesmo que o do PHP htmlspecialchars(str, ENT_NOQUOTES)- não acho que haja qualquer necessidade real de converter caracteres de aspas duplas.)

Esta é a função mais rápida que encontrei até agora:

function safe_tags(str) {
    return str.replace(/&/g,'&amp;').replace(/</g,'&lt;').replace(/>/g,'&gt;') ;
}

Mas ainda há um grande atraso quando eu tenho que passar alguns milhares de cordas por ele de uma vez.

Alguém pode melhorar isso? É principalmente para strings entre 10 e 150 caracteres, se isso fizer diferença.

(Uma ideia que tive foi não me incomodar em codificar o sinal de maior - haveria algum perigo real nisso?)

Você pode tentar passar uma função de retorno de chamada para realizar a substituição:

var tagsToReplace = {
    '&': '&',
    '<': '&lt;',
    '>': '&gt;'
};

function replaceTag(tag) {
    return tagsToReplace[tag] || tag;
}

function safe_tags_replace(str) {
    return str.replace(/[&<>]/g, replaceTag);
}

Aqui está um teste de desempenho: http://jsperf.com/encode-html-entities para comparar com a chamada da replacefunção repetidamente e usando o método DOM proposto por Dmitrij.

Seu caminho parece ser mais rápido ...

Mas por que você precisa disso?

Esta é uma maneira de fazer isso:

var escape = document.createElement('textarea');
function escapeHTML(html) {
    escape.textContent = html;
    return escape.innerHTML;
}

function unescapeHTML(html) {
    escape.innerHTML = html;
    return escape.textContent;
}

Aqui está uma demonstração.

Método de Martijn como função de protótipo:

String.prototype.escape = function() {
    var tagsToReplace = {
        '&': '&',
        '<': '&lt;',
        '>': '&gt;'
    };
    return this.replace(/[&<>]/g, function(tag) {
        return tagsToReplace[tag] || tag;
    });
};

var a = "<abc>";
var b = a.escape(); // "&lt;abc&gt;"

Uma solução ainda mais rápida / curta é:

escaped = new Option(html).innerHTML

Isso está relacionado a algum vestígio estranho de JavaScript pelo qual o elemento Option retém um construtor que faz esse tipo de escape automaticamente.

Crédito para https://github.com/jasonmoo/t.js/blob/master/t.js

O código-fonte do AngularJS também tem uma versão dentro do angular-sanitize.js .

var SURROGATE_PAIR_REGEXP = /[\uD800-\uDBFF][\uDC00-\uDFFF]/g,
    // Match everything outside of normal chars and " (quote character)
    NON_ALPHANUMERIC_REGEXP = /([^\#-~| |!])/g;
/**
 * Escapes all potentially dangerous characters, so that the
 * resulting string can be safely inserted into attribute or
 * element text.
 * @param value
 * @returns {string} escaped text
 */
function encodeEntities(value) {
  return value.
    replace(/&/g, '&').
    replace(SURROGATE_PAIR_REGEXP, function(value) {
      var hi = value.charCodeAt(0);
      var low = value.charCodeAt(1);
      return '&#' + (((hi - 0xD800) * 0x400) + (low - 0xDC00) + 0x10000) + ';';
    }).
    replace(NON_ALPHANUMERIC_REGEXP, function(value) {
      return '&#' + value.charCodeAt(0) + ';';
    }).
    replace(/</g, '&lt;').
    replace(/>/g, '&gt;');
}

O método mais rápido é:

function escapeHTML(html) {
    return document.createElement('div').appendChild(document.createTextNode(html)).parentNode.innerHTML;
}

Este método é cerca de duas vezes mais rápido do que os métodos baseados em 'substituir', consulte http://jsperf.com/htmlencoderegex/35 .

Fonte: https://stackoverflow.com/a/17546215/698168

Script tudo-em-um:

// HTML entities Encode/Decode

function htmlspecialchars(str) {
    var map = {
        "&": "&",
        "<": "&lt;",
        ">": "&gt;",
        "\"": "&quot;",
        "'": "&#39;" // ' -> &apos; for XML only
    };
    return str.replace(/[&<>"']/g, function(m) { return map[m]; });
}
function htmlspecialchars_decode(str) {
    var map = {
        "&amp;": "&",
        "&lt;": "<",
        "&gt;": ">",
        "&quot;": "\"",
        "&#39;": "'"
    };
    return str.replace(/(&amp;|&lt;|&gt;|&quot;|&#39;)/g, function(m) { return map[m]; });
}
function htmlentities(str) {
    var textarea = document.createElement("textarea");
    textarea.innerHTML = str;
    return textarea.innerHTML;
}
function htmlentities_decode(str) {
    var textarea = document.createElement("textarea");
    textarea.innerHTML = str;
    return textarea.value;
}

http://pastebin.com/JGCVs0Ts

Não estou totalmente certo sobre velocidade, mas se você está procurando simplicidade, sugiro usar a função de escape lodash / sublinhado .

Método de Martijn como função única com manipulação da marca " ( usando em javascript ):

function escapeHTML(html) {
    var fn=function(tag) {
        var charsToReplace = {
            '&': '&',
            '<': '&lt;',
            '>': '&gt;',
            '"': '&#34;'
        };
        return charsToReplace[tag] || tag;
    }
    return html.replace(/[&<>"]/g, fn);
}

Vou adicionar XMLSerializerà pilha. Ele fornece o resultado mais rápido sem usar nenhum cache de objeto (nem no serializador, nem no nó Texto).

function serializeTextNode(text) {
  return new XMLSerializer().serializeToString(document.createTextNode(text));
}

O bônus adicional é que ele suporta atributos que são serializados de forma diferente dos nós de texto:

function serializeAttributeValue(value) {
  const attr = document.createAttribute('a');
  attr.value = value;
  return new XMLSerializer().serializeToString(attr);
}

Você pode ver o que está realmente substituindo verificando a especificação, tanto para nós de texto quanto para valores de atributo . A documentação completa tem mais tipos de nós, mas o conceito é o mesmo.

Quanto ao desempenho, é o mais rápido quando não está em cache. Quando você permite o armazenamento em cache, innerHTMLé mais rápido chamar um HTMLElement com um nó de texto filho. Regex seria o mais lento (como comprovado por outros comentários). Claro, XMLSerializer poderia ser mais rápido em outros navegadores, mas em meus testes (limitados), a innerHTMLé mais rápido.

Linha única mais rápida:

new XMLSerializer().serializeToString(document.createTextNode(text));

Mais rápido com cache:

const cachedElementParent = document.createElement('div');
const cachedChildTextNode = document.createTextNode('');
cachedElementParent.appendChild(cachedChildTextNode);

function serializeTextNode(text) {
  cachedChildTextNode.nodeValue = text;
  return cachedElementParent.innerHTML;
}

https://jsperf.com/htmlentityencode/1

Um pouco tarde para o show, mas o que há de errado em usar encodeURIComponent () e decodeURIComponent () ?