SL/HTML/Util.pm

   1 package SL::HTML::Util;
   2
   3 use strict;
   4 use warnings;
   5
   6 use HTML::Parser;
   7
   8 my %stripper;
   9 my %entities = (
  10   'lt'   => '<',
  11   'gt'   => '>',
  12   'amp'  => '&',
  13   'nbsp' => ' ',   # should be => "\x{00A0}", but this can lead to problems with
  14                    # a non-visible character in csv-exports for example
  15 );
  16
  17 sub strip {
  18   my ($class_or_value) = @_;
  19
  20   my $value = !ref($class_or_value) && (($class_or_value // '') eq 'SL::HTML::Util') ? $_[1] : $class_or_value;
  21
  22   return '' unless defined $value;
  23
  24   # Remove HTML comments.
  25   $value =~ s{ <!-- .*? --> }{}gx;
  26
  27   if (!%stripper) {
  28     %stripper = ( parser => HTML::Parser->new );
  29
  30     $stripper{parser}->handler(text => sub { $stripper{text} .= ' ' . $_[1]; });
  31   }
  32
  33   $stripper{text} = '';
  34   $stripper{parser}->parse($value);
  35   $stripper{parser}->eof;
  36
  37   $stripper{text} =~ s{\&([^;]+);}{ $entities{$1} || "\&$1;" }eg;
  38   $stripper{text} =~ s{^ +| +$}{}g;
  39   $stripper{text} =~ s{ {2,}}{ }g;
  40
  41   return delete $stripper{text};
  42 }
  43
  44 1;
  45 __END__
  46
  47 =pod
  48
  49 =encoding utf8
  50
  51 =head1 NAME
  52
  53 SL::HTML::Util - Utility functions dealing with HTML
  54
  55 =head1 SYNOPSIS
  56
  57   my $plain_text = SL::HTML::Util->strip('<h1>Hello World</h1>');
  58
  59 =head1 FUNCTIONS
  60
  61 =over 4
  62
  63 =item C<strip $html_content>
  64
  65 Removes all HTML elements and tags from C<$html_content> and returns
  66 the remaining plain text.
  67
  68 =back
  69
  70 =head1 BUGS
  71
  72 Nothing here yet.
  73
  74 =head1 AUTHOR
  75
  76 Moritz Bunkus E<lt>m.bunkus@linet-services.deE<gt>
  77
  78 =cut