Extracteur PHP

Version imprimable

Extracteur PHP

Bonjour à tous,

Je cherche à faire un "petit" script en php qui permet d'extraire uniquement le code php d'un fichier pouvant contenir du php et du html (et donc du js eventuellement). Celui ci doit également supprimer les commentaires et les string, qui ne sont pas à proprement parler du code php.
Je dois également remplacer tout ce qui est cité ci-dessus par des caractères (n'importe lequel, disons "-"), simplement pour laisser le code php à la même place dans le fichier d'origine et le fichier parser (afin de pouvoir détécter une erreur dans le code php à tel lignes et tel colonne dans le fichier parsé).

pour le moment je suis parti sur de la regex, mais plus j'avance, plus je me retrouve confronté à d’énorme problème, par exemple:
* prendre en compte toutes les balises de php existantes (<?php, <?, <% et <script language='php'>)
* ne pas prendre en compte les "fausses" femeture de balise dans les strings
* ne pas prendre en compte les balises </script> associée au javascript et non au php
* ne pas prendre en compte les ouvertures/fermetures de balises dans les commentaires de type bloc (/* */)
* prendre en compte les fermetures de balise php dans les commentaires inline // (puisque elles sont interprété )
Et j'en passe des vertes et des pas mûres :'(

Pour avoir un exemple plus concret, voici le fichier sur lequel je travail pour le moment:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 <html> <body> /* html */  <?php /* test de code bien degueu ^^ ?> */ // another test <?php !! echo "marche pas" ?><div><?php echo "hacked-2"; if (preg_match('#^/*' . $this->index . '#', "osef")) { echo "fake comment starting in regex"; } echo "match<br>" ."<script>alert(0);</script>"; ?></div><? echo "same<br>";?> <% echo "another way to open php<br>"; %> <?php echo "<?php strtolower('OSEF');?>";?> <script language="php"> echo "<script> alert('".strtoupper('test1')."'); </script>"; </script> <script> alert('<script language="php">echo strtolower("HACKED");</script>'); </script> </body> </html> <?php echo '<pre> <script> alert("00"); alert(\'<script language="php">echo strtolower("TEST foireux");</script>\'); </script></pre> ';
et voici ce que j'essaye d'avoir au final:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 ------ ------ ---------- -----<?php echo "----------------";?>---- <?php ------------------------------ ------ -------------------------------------------?>-----<?php echo "--------"; if (preg_match('----' . $this->index . '-', "----")) { echo "------------------------------"; } echo "---------" ."--------------------------"; ?>------<? echo "--------";?> <% echo "---------------------------"; %> <?php echo "---------------------------";?> <script language="php"> echo "-------- -------".strtoupper('-----')."--- ---------"; </script> -------- -------<script language="php">echo strtolower("------");</script>--- --------- ------- ------- <?php echo '----- -------- ------------ ---------------------------------------------------------------------------- --------------- ';
Alors, bien évidement, je ne vous demande pas de faire le boulot ;)
D'ailleurs j'ai un peu l'impression d'avoir à recréer toute la première partie de l'interpréteur php (CAD le parsing), et je galère comme pas possible sur ce coup.

Par contre, si quelqu'un aurait des pistes, ou connaitrait des scripts existant pour faire quelque chose de similaire sur lesquels je puisse m'appuyer pour faire ce que je veux, ça serrait vraiment super, par-ce sur ce coup, je suis en brasse coulée :aie:
Tout conseil sera également le bienvenu :D

Merci beaucoup.

14/04/2014, 14h15
magicshark

je pense qu'il faut hiérarchiser les regexp.
En effet il vaut mieux passer celle qui remplace /* <?php .... ?>*/
avant celle qui parse <?php ...?>

donc je dirait (en partant du principe que tu fais de l'OO :
2 classes

1ere :
je lis un fichier pour chaque ligne j'appelle ma seconde classe qui s'occupe du parsing.
2eme
une méthode par regexp
une méthode stringToChar($string, $char) //remplacera tous les caractères de la chaîne ($string ) par le caractère ($char)

ensuite tu appelles dans l'ordre

méthode qui remplace /* jusqu'à */
si pas trouver */ remplace tout et renvoi 1 (par exemple)

si méthode précédente retourne 1 alors ligne suivante puis appelle méthode qui remplace jusqu'à */ (si pas trouver remplace tout et retourne 1)
Tant que méthode précédente retourne 1 alors ligne suivante puis appelle méthode qui remplace jusqu'à */ (si pas trouver remplace tout et retourne 1)

méthode qui remplace " jusqu'à "

méthode qui remplace ' jusqu'à '
îne de caractère et de commentaire de type /* */

méthode qui remplace <script> jusqu’à </script> idem avec retour à 1 pour du multiligne

méthode qui remplace tous ce qui n'est pas dans une balise php avec code retour pour du multiligne.

Je crois avoir fais à peu prêt le tour après j'ai peut être oublier des choses mais le principe reste le même
d'abord tous ce qui exclu qu'on prenne en compte les balise php ou qu'on modifie au sein du php.

puis tous ce qui n'est pas dans php on remplace.

J’espère t'avoir aidé.

Salut à tous,

Déjà merci beaucoup magicshark pour ta réponse.
Je pense que je me serais orienté là dessus, mais au final j'ai découvert (grâce à CosmoKnacki que je remercie encore) une fonction php qui m'a fait le café :D

Le tokenizer:
* http://www.php.net/manual/fr/tokens.php
* http://www.php.net/manual/fr/function.token-name.php
* http://www.php.net/manual/fr/function.token-get-all.php

en gros, grâce à ça, tout le code pour faire ce que je voulais tient en quelques lignes apeine:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 $source = file_get_contents("test.php"); $tokens = token_get_all($source); $result = ''; foreach ($tokens as $token) { if (!isset($token[1])) $result .= $token; elseif ( $token[0] == T_COMMENT || $token[0] == T_INLINE_HTML || $token[0] == T_CONSTANT_ENCAPSED_STRING || $token[0] == T_START_HEREDOC || $token[0] == T_END_HEREDOC || $token[0] == T_ENCAPSED_AND_WHITESPACE || $token[0] == T_DOC_COMMENT ) $result .= preg_replace('#.#', '-', $token[1]); // remplace les caractères non désiré par des "-" else $result .= $token[1]; } echo "<pre>"; echo htmlspecialchars($result); echo "</pre>";
Voila voila,
Merci à tous :D

15/04/2014, 15h03
magicshark

Bravo je connaissait pas du tout ça ma l'aire fichtrement bien pratique :D