HTML代码过滤技术

HTML代码过滤技术

郑恒

 

参考资料：MSDN的《Pluggable Protocols Overview》

参考示例：MSDN提供的

       http://support.microsoft.com/default.aspx?scid=kb;EN-US;q260840#appliesto

       另一示例是用Delphi写的：http://www.guicode.com/scr/mimefilter.zip

 

 

 

       要实现HTML代码过滤必需注册一个或多个MIME过滤器（Pluggable MIME Filter）。

MIME过滤器是一个COM对象，必需实现IInternetProtocolSink和IInternetProtocol接口。MIME过滤器可以注册成临时或者永久的，如果同时注册多个临时的MIME过滤器，那么后注册的对象先被调用！

 

       要如何注册一个MIME过滤器？要注册一个永久的MIME过滤器，你必需在注册表

的HKEY_CLASSES_ROOT/PROTOCOLS/Filter键下添加一个子键，子键的名称是你要

注册的MIME类型，在添加的子键下必需有一个名为CLSID的字符串值，值的内容就是你

提供的COM对象的CLSID。该键的默认值可以是关于你的对象的简单描述。如果你用ATL

了开发，你可以在对象的RGS文件中添加如下内容：

HKCR

{

         NoRemove PROTOCOLS

         {

                   NoRemove Filter

                   {

                            ForceRemove 'text/html' = s 'XMLMimeFilter MIME Filter Sample'

                            {

                                     val CLSID = s '{53B95211-7D77-11D2-9F80-00104B107C96}'

                            }

                   }

         }

}

上面的代码来自文章开头提到的示例。’XMLMimeFilter MIME Filter Sample’和

'{53B95211-7D77-11D2-9F80-00104B107C96}'都要换成你自已的！

 

       如果要注册临时的MIME过滤器，就要通过IInternetSession接口（取消注册也

使用该接口），下面提供的注册一个临时过滤器的代码：

CComPtr<IInternetSession> m_spSession ;

CComPtr<IClassFactory>    m_spClassFactoryMime ;

hr = ::CoGetClassObject( CLSID_MimeFilter, CLSCTX_SERVER,

                                                NULL, IID_IClassFactory,

                             (void**)&m_spClassFactoryMime );

if( hr == S_OK )

{

         if( ::CoInternetGetSession( 0, &m_spSession, 0) ==S_OK )

         {

                   m_spSession->RegisterMimeFilter(m_spClassFactoryMime,

                                               CLSID_MimeFilter,                                                                                                                                       L"text/html" );

         }

}

这里的CLSID_MimeFilter就是你的对象的CLSID。

 

 

MIME的类型有许多种，要了解这些信息可以查看MSDN的附录

《MIME Type Detection in Internet Explorer 4.0》，但实际的类型要比这里列的多得多。

要了解你的电脑注册的MIME类型，可以查看注册表的[HKEY_CLASSES_ROOT/MIME/

Database/Content Type]键。也可以通过调用FindMimeFromData函数来得到文件的对应MIME

类型，下面的代码示例了得到JS文件的MIME类型：

LPWSTR pwzMimeOut ;

FindMimeFromData( NULL , L"time.js" , 0 , 0 , 0 , 0 , &pwzMimeOut , 0 );

得到的MIME类型是：application/x-javascript。

       一般情况下，要过滤HMTL页面，可以注册text/html类型。你也可以根据实际情况

通过调用RegisterMimeFilter注册多个不同的MIME过滤器。

 

 

 

       注册一个临时或永久的MIME过滤器后，接下来的工作就是实现MIME过滤器对象。

在实现之前，先看一下《Pluggable Protocols Overview》一文中关于MIME过滤器与WEB

处理器（transaction handler，即urlmon.dll）之间接口的调用的描述（注：urlmon.dll内部实现了IInternetProtocol和IInternetProtocolSink接口）：

 

1、  WEB处理器调用MIME过滤器的IInternetProtocolRoot::Start方法（IInternetProtocol

从IInternetProtocolRoot派生）；

2、  WEB处理器先后调用MIME过滤器的IInternetProtocolSink::ReportProgress 和

IInternetProtocolSink::ReportData方法；

3、  MIME过滤器调用WEB处理器的IInternetProtocol::Read方法；

4、  MIME过滤器调用WEB处理器的IInternetProtocolSink::ReportData方法；

5、  WEB处理器调用MIME过滤器的IInternetProtoco::Read方法；

 

因此，要实现MIME过滤器，有几个重要的方法：

1、IInternetProtocolRoot::Start方法：

HRESULT Start(

    [in] LPCWSTR szUrl,

    [in] IInternetProtocolSink *pOIProtSink,

    [in] IInternetBindInfo *pOIBindInfo,

    [in] DWORD grfPI,

    [in] DWORD dwReserved

);

作为MIME过滤对象，szUrl传入的是MIME的类型（如果是name space handlers对象，

则该参数为一个即将下载或解析的URL）。若是你想得到URL，可以通过pOIBindInfo 接

口得到，下面是示例：

       LPOLESTR pwzUrl ;           

       ULONG uElFetched ;

       pIBindInfo->GetBindString( BINDSTRING_URL , &pwzUrl , 1 , &uElFetched ) ；

 

pOIProtSink是由urlmon.dll提供的IInternetProtocolSink接口，因为在后面的处理过程中，需要调用到该接口，所以要将它保存；

grfPI是一个枚举变量，必需包含PI_FILTER_MODE标志，表示该对象运行在filter模式中。

dwReserved是一个指向PROTOCOLFILTERDATA结构的指针，该结构的pProtocol成员是由urlmon.dll提供的IInternetProtocol接口，因为在后面的处理过程中需要调用到该接口，所以要将它保存。实际上该接口也可以通过pOIProtSink参数调用QueryInterface得到，同样PROTOCOLFILTERDATA结构的pProtocolSink与pOIProtSink都是指向同一个接口。

 

       在Start方法中，我们必需做的实际上只是保存urlmon.dll提供的IInternetProtocolSink

和IInternetProtocol接口。

 

 

 

2、IInternetProtocolSink::ReportProgress方法：

HRESULT ReportProgress(

    [in] ULONG ulStatusCode,

    [in] LPCWSTR szStatusText ）

作为MIME过滤器，ulStatusCode一般都是BINDSTATUS_CACHEFILENAMEAVAILABLE , 当

ulStatusCode为BINDSTATUS_CACHEFILENAMEAVAILABLE时，szStatusText为临时缓存文件

的路径名称，但有一些网页并不写到缓存里，所以szStatusText可能为空字符串。

 

 

3、IInternetProtocolSink::ReportData方法：

HRESULT ReportData(

    [in] DWORD grfBSCF,

    [in] ULONG ulProgress,

    [in] ULONG ulProgressMax

);

IE下载文件过程中或下载完毕时会调用MIME过滤器的ReportData方法，ulProgressMax

为文件总是数据量，ulProgress为下载进度，理论上当文件全部下载完后,ulProgress应

等于ulProgressMax(实际上，当网页文件不是很大时，即使ulProgress不等于ulProgressMax时，文件也可能全部下载下来)，还有一个反应文件下载情况的参数是grfBSCF。有时，ReportData方法会被Web处理器调用多次。

    ReportData是过滤网页内容或修改网页内容比较合适的地方。在此地，可以将网页内容通过调用Read保存到自已的缓存或流中并做适当的处理（注意检查字符的编码）。

最后，别忘了调用Web处理器的IInternetProtocolSink::ReportData方法，向它汇报数据下载的情况。Web处理器得到此通知后，就会调用MIME过滤器的IInternetProtocol::Read，此时，你就可以将修改后的数据交给WEB处理器。

    下面的代码示例了如何在ReportData中调用Web处理器的Read预先保存数据：

// m_spIncomingProt是在Start中保存的Web处理器的IInternetProtocol接口

// m_spStm 是IStream 指针,用来缓存数据

BYTE buffer[ SIZE_BUFFER ] ;

DWORD cbRead ;

do

{              

    cbRead = 0 ;       

    hr = m_spIncomingProt->Read( buffer , SIZE_BUFFER , &cbRead ) ;

   

    if( cbRead > 0 ) **A 处

    {

        if( m_spStm->Write( buffer , cbRead , NULL ) == S_OK )

        {

            m_cbTotal += cbRead ;

        }

}

}while ( hr == S_OK );

 

Read成功取得数据一般只返回S_OK或S_FALSE ,返回S_OK表示还有数据，而S_FALSE

表示数据已读取完毕，因此循环的条件设为 hr==S_OK。那A处的条件判断为什么不是

if( hr == S_OK || hr == S_FALSE ) 呢， 因为我发现某些情况下，Read可能返回其

它值，但仍然有成功读取一部分数据出来，数据的大小就是cbRead指定的值。如果将

那部分数据遗落，网页将无法正常解析！那这样会不会导致因读取失败而将一些无用的

数据保存到缓存中？至少目前还没碰到过。

 

 

4、IInternetProtocol::Read方法

    该方法由WEB处理器调用来取得浏览器要解析的数据。在上一方法ReportData中

我们已经将所有数据缓存到流中，因此，这里只需将流中的数据返回给WEB处理器。

下面的代码示例了Read中的简单处理：

    if( m_spStm->Read( pv , cb , pcbRead ) == S_OK )

    {

        if(  *pcbRead == cb )

        {

            return S_OK ;

        }

        else

            return S_FALSE ;

    }

    千万注意，在数据已读取完毕时要返回S_FALSE , 不然可能导致Read被无穷循环调用。

    处理完这几个方法后，基本是大功造成，其它一些方法处理十分简单，可以参考上面

提到的例子。           

            2005-7-27

注：本文出处http://www.guicode.com/blog%5CMime_Filter.htm