desinfectante de cuerdas para nombre de archivo

Estoy buscando una función php que desinfecte una cadena y la deje lista para usar como nombre de archivo. ¿Alguien sabe de uno útil?

(¡Podría escribir uno, pero me preocupa que pase por alto un personaje!)

Editar: para guardar archivos en un sistema de archivos NTFS de Windows.

En lugar de preocuparse por pasar por alto los personajes, ¿qué tal si usas una lista blanca de personajes que te gusta que te usen? Por ejemplo, se puede permitir que sólo un buen ol' a-z, 0-9, _, y una sola instancia de un punto ( .). Obviamente, eso es más limitante que la mayoría de los sistemas de archivos, pero debería mantenerlo a salvo.

Al hacer un pequeño ajuste a la solución de Tor Valamo para solucionar el problema observado por Dominic Rodger, podría usar:

// Remove anything which isn't a word, whitespace, number
// or any of the following caracters -_~,;[]().
// If you don't need to handle multi-byte characters
// you can use preg_replace rather than mb_ereg_replace
// Thanks @Łukasz Rysiak!
$file = mb_ereg_replace("([^\w\s\d\-_~,;\[\]\(\).])", '', $file);
// Remove any runs of periods (thanks falstro!)
$file = mb_ereg_replace("([\.]{2,})", '', $file);

Así es como puede desinfectar un sistema de archivos como se le pide

function filter_filename($name) {
    // remove illegal file system characters https://en.wikipedia.org/wiki/Filename#Reserved_characters_and_words
    $name = str_replace(array_merge(
        array_map('chr', range(0, 31)),
        array('<', '>', ':', '"', '/', '\\', '|', '?', '*')
    ), '', $name);
    // maximise filename length to 255 bytes http://serverfault.com/a/9548/44086
    $ext = pathinfo($name, PATHINFO_EXTENSION);
    $name= mb_strcut(pathinfo($name, PATHINFO_FILENAME), 0, 255 - ($ext ? strlen($ext) + 1 : 0), mb_detect_encoding($name)) . ($ext ? '.' . $ext : '');
    return $name;
}

Todo lo demás está permitido en un sistema de archivos, por lo que la pregunta está perfectamente respondida ...

... pero podría ser peligroso permitir, por ejemplo, comillas simples 'en un nombre de archivo si lo usa más tarde en un contexto HTML inseguro porque este nombre de archivo absolutamente legal:

 ' onerror= 'alert(document.cookie).jpg

se convierte en un agujero XSS :

<img src='<? echo $image ?>' />
// output:
<img src=' ' onerror= 'alert(document.cookie)' />

Por eso, el popular software CMS Wordpress los elimina, pero cubrieron todos los caracteres relevantes solo después de algunas actualizaciones :

$special_chars = array("?", "[", "]", "/", "\\", "=", "<", ">", ":", ";", ",", "'", "\"", "&", "$", "#", "*", "(", ")", "|", "~", "`", "!", "{", "}", "%", "+", chr(0));
// ... a few rows later are whitespaces removed as well ...
preg_replace( '/[\r\n\t -]+/', '-', $filename )

Finalmente su lista incluye ahora la mayoría de los personajes que forman parte de la URI rerserved caracteres y URL personajes inseguros lista.

Por supuesto, podría simplemente codificar todos estos caracteres en la salida HTML, pero la mayoría de los desarrolladores y yo también, seguimos el modismo "Más vale prevenir que curar" y eliminarlos de antemano.

Entonces, finalmente, sugeriría usar esto:

function filter_filename($filename, $beautify=true) {
    // sanitize filename
    $filename = preg_replace(
        '~
        [<>:"/\\|?*]|            # file system reserved https://en.wikipedia.org/wiki/Filename#Reserved_characters_and_words
        [\x00-\x1F]|             # control characters http://msdn.microsoft.com/en-us/library/windows/desktop/aa365247%28v=vs.85%29.aspx
        [\x7F\xA0\xAD]|          # non-printing characters DEL, NO-BREAK SPACE, SOFT HYPHEN
        [#\[\]@!$&\'()+,;=]|     # URI reserved https://tools.ietf.org/html/rfc3986#section-2.2
        [{}^\~`]                 # URL unsafe characters https://www.ietf.org/rfc/rfc1738.txt
        ~x',
        '-', $filename);
    // avoids ".", ".." or ".hiddenFiles"
    $filename = ltrim($filename, '.-');
    // optional beautification
    if ($beautify) $filename = beautify_filename($filename);
    // maximize filename length to 255 bytes http://serverfault.com/a/9548/44086
    $ext = pathinfo($filename, PATHINFO_EXTENSION);
    $filename = mb_strcut(pathinfo($filename, PATHINFO_FILENAME), 0, 255 - ($ext ? strlen($ext) + 1 : 0), mb_detect_encoding($filename)) . ($ext ? '.' . $ext : '');
    return $filename;
}

Todo lo demás que no cause problemas con el sistema de archivos debe ser parte de una función adicional:

function beautify_filename($filename) {
    // reduce consecutive characters
    $filename = preg_replace(array(
        // "file   name.zip" becomes "file-name.zip"
        '/ +/',
        // "file___name.zip" becomes "file-name.zip"
        '/_+/',
        // "file---name.zip" becomes "file-name.zip"
        '/-+/'
    ), '-', $filename);
    $filename = preg_replace(array(
        // "file--.--.-.--name.zip" becomes "file.name.zip"
        '/-*\.-*/',
        // "file...name..zip" becomes "file.name.zip"
        '/\.{2,}/'
    ), '.', $filename);
    // lowercase for windows/unix interoperability http://support.microsoft.com/kb/100625
    $filename = mb_strtolower($filename, mb_detect_encoding($filename));
    // ".file-name.-" becomes "file-name"
    $filename = trim($filename, '.-');
    return $filename;
}

Y en este punto, debe generar un nombre de archivo si el resultado está vacío y puede decidir si desea codificar caracteres UTF-8. Pero no lo necesita, ya que UTF-8 está permitido en todos los sistemas de archivos que se utilizan en contextos de alojamiento web.

Lo único que tiene que hacer es usar urlencode()(como con suerte lo hace con todas sus URL) para que el nombre del archivo se საბეჭდი_მანქანა.jpgconvierta en esta URL como su <img src>o <a href>: http://www.maxrev.de/html/img/%E1%83% A1% E1% 83% 90% E1% 83% 91% E1% 83% 94% E1% 83% AD% E1% 83% 93% E1% 83% 98_% E1% 83% 9B% E1% 83% 90% E1% 83% 9C% E1% 83% A5% E1% 83% 90% E1% 83% 9C% E1% 83% 90.jpg

Stackoverflow hace eso, así que puedo publicar este enlace como lo haría un usuario:
http://www.maxrev.de/html/img/ საბეჭდი_მანქანა. Jpg

Así que este es un nombre de archivo legal completo y no es un problema como @ SequenceDigitale.com mencionó en su respuesta .

¿Qué pasa con el uso de rawurlencode ()? http://www.php.net/manual/en/function.rawurlencode.php

Aquí hay una función que desinfecta incluso los caracteres chinos:

public static function normalizeString ($str = '')
{
    $str = strip_tags($str); 
    $str = preg_replace('/[\r\n\t ]+/', ' ', $str);
    $str = preg_replace('/[\"\*\/\:\<\>\?\'\|]+/', ' ', $str);
    $str = strtolower($str);
    $str = html_entity_decode( $str, ENT_QUOTES, "utf-8" );
    $str = htmlentities($str, ENT_QUOTES, "utf-8");
    $str = preg_replace("/(&)([a-z])([a-z]+;)/i", '$2', $str);
    $str = str_replace(' ', '-', $str);
    $str = rawurlencode($str);
    $str = str_replace('%', '-', $str);
    return $str;
}

Aquí está la explicación

1. Eliminar etiquetas HTML
2. Eliminar rotura / pestañas / carro de retorno
3. Eliminar caracteres ilegales para carpeta y nombre de archivo
4. Pon la cuerda en minúsculas
5. Elimine los acentos extranjeros como Éàû convirtiéndolo en entidades html y luego elimine el código y conserve la letra.
6. Reemplazar espacios con guiones
7. Codifique caracteres especiales que podrían pasar los pasos anteriores e ingresar un nombre de archivo de conflicto en el servidor. ex. "中文 百强 网"
8. Reemplace "%" con guiones para asegurarse de que el navegador no vuelva a escribir el enlace del archivo al consultar el archivo.

Bien, algún nombre de archivo no será relevante, pero en la mayoría de los casos funcionará.

ex. Nombre original: "საბეჭდი-და-ტიპოგრაფიული. Jpg"

Nombre de salida: "-E1-83-A1-E1-83-90-E1-83-91-E1-83-94-E1-83-AD-E1-83-93-E1-83-98 - E1- 83-93-E1-83-90 - E1-83-A2-E1-83-98-E1-83-9E-E1-83-9D-E1-83-92-E1-83-A0-E1-83 -90-E1-83-A4-E1-83-98-E1-83-A3-E1-83-9A-E1-83-98.jpg "

Es mejor así que un error 404.

Espero que haya sido útil.

Carl.

SOLUCIÓN 1 - simple y eficaz

$file_name = preg_replace( '/[^a-z0-9]+/', '-', strtolower( $url ) );

• strtolower () garantiza que el nombre del archivo está en minúsculas (ya que el caso no importa dentro de la URL, sino en el nombre del archivo NTFS)
• [^a-z0-9]+ asegurará, el nombre del archivo solo conserva letras y números
• Sustituya los caracteres no válidos con '-'mantiene legible el nombre del archivo

Ejemplo:

URL:  http://stackoverflow.com/questions/2021624/string-sanitizer-for-filename
File: http-stackoverflow-com-questions-2021624-string-sanitizer-for-filename

SOLUCIÓN 2 : para URL muy largas

Desea almacenar en caché el contenido de la URL y solo necesita tener nombres de archivo únicos. Usaría esta función:

$file_name = md5( strtolower( $url ) )

esto creará un nombre de archivo con una longitud fija. El hash MD5 es en la mayoría de los casos lo suficientemente único para este tipo de uso.

Ejemplo:

URL:  https://www.amazon.com/Interstellar-Matthew-McConaughey/dp/B00TU9UFTS/ref=s9_nwrsa_gw_g318_i10_r?_encoding=UTF8&fpl=fresh&pf_rd_m=ATVPDKIKX0DER&pf_rd_s=desktop-1&pf_rd_r=BS5M1H560SMAR2JDKYX3&pf_rd_r=BS5M1H560SMAR2JDKYX3&pf_rd_t=36701&pf_rd_p=6822bacc-d4f0-466d-83a8-2c5e1d703f8e&pf_rd_p=6822bacc-d4f0-466d-83a8-2c5e1d703f8e&pf_rd_i=desktop
File: 51301f3edb513f6543779c3a5433b01c

Bueno, tempnam () lo hará por ti.

http://us2.php.net/manual/en/function.tempnam.php

pero eso crea un nombre completamente nuevo.

Para desinfectar una cadena existente, simplemente restrinja lo que sus usuarios pueden ingresar y conviértalo en letras, números, puntos, guiones y subrayados y luego desinfecte con una simple expresión regular. Compruebe qué caracteres deben escaparse o podría obtener falsos positivos.

$sanitized = preg_replace('/[^a-zA-Z0-9\-\._]/','', $filename);

preg_replace("[^\w\s\d\.\-_~,;:\[\]\(\]]", '', $file)

Agregue / elimine más caracteres válidos dependiendo de lo que esté permitido para su sistema.

Alternativamente, puede intentar crear el archivo y luego devolver un error si es malo.

PHP proporciona una función para desinfectar un texto a un formato diferente

filter.filters.sanitize

Cómo :

echo filter_var(
   "Lorem Ipsum has been the industry's",FILTER_SANITIZE_URL
); 

Blockquote LoremIpsumhasbeentheindustry's

seguro: reemplace cada secuencia de NOT "a-zA-Z0-9_-" por un guión; agregue una extensión usted mismo.

$name = preg_replace('/[^a-zA-Z0-9_-]+/', '-', strtolower($name)).'.'.$extension;

La siguiente expresión crea una cadena agradable, limpia y utilizable:

/[^a-z0-9\._-]+/gi

Convirtiendo lo financiero de hoy: facturación en facturación financiera de hoy

Haciendo un pequeño ajuste a la solución de Sean Vieira para permitir puntos individuales, podría usar:

preg_replace("([^\w\s\d\.\-_~,;:\[\]\(\)]|[\.]{2,})", '', $file)

Estos pueden ser un poco pesados, pero son lo suficientemente flexibles como para desinfectar cualquier cuerda en una "caja fuerte". en nombre de archivo o carpeta de estilo (o diablos, incluso babosas limpias y cosas si se dobla).

1) Crear un nombre de archivo completo (con un nombre alternativo en caso de que la entrada esté totalmente truncada):

str_file($raw_string, $word_separator, $file_extension, $fallback_name, $length);

2) O usando solo la utilidad de filtro sin construir un nombre de archivo completo (el modo estricto trueno permitirá [] o () en el nombre de archivo):

str_file_filter($string, $separator, $strict, $length);

3) Y aquí están esas funciones:

// Returns filesystem-safe string after cleaning, filtering, and trimming input
function str_file_filter(
    $str,
    $sep = '_',
    $strict = false,
    $trim = 248) {

    $str = strip_tags(htmlspecialchars_decode(strtolower($str))); // lowercase -> decode -> strip tags
    $str = str_replace("%20", ' ', $str); // convert rogue %20s into spaces
    $str = preg_replace("/%[a-z0-9]{1,2}/i", '', $str); // remove hexy things
    $str = str_replace(" ", ' ', $str); // convert all nbsp into space
    $str = preg_replace("/&#?[a-z0-9]{2,8};/i", '', $str); // remove the other non-tag things
    $str = preg_replace("/\s+/", $sep, $str); // filter multiple spaces
    $str = preg_replace("/\.+/", '.', $str); // filter multiple periods
    $str = preg_replace("/^\.+/", '', $str); // trim leading period

    if ($strict) {
        $str = preg_replace("/([^\w\d\\" . $sep . ".])/", '', $str); // only allow words and digits
    } else {
        $str = preg_replace("/([^\w\d\\" . $sep . "\[\]\(\).])/", '', $str); // allow words, digits, [], and ()
    }

    $str = preg_replace("/\\" . $sep . "+/", $sep, $str); // filter multiple separators
    $str = substr($str, 0, $trim); // trim filename to desired length, note 255 char limit on windows

    return $str;
}


// Returns full file name including fallback and extension
function str_file(
    $str,
    $sep = '_',
    $ext = '',
    $default = '',
    $trim = 248) {

    // Run $str and/or $ext through filters to clean up strings
    $str = str_file_filter($str, $sep);
    $ext = '.' . str_file_filter($ext, '', true);

    // Default file name in case all chars are trimmed from $str, then ensure there is an id at tail
    if (empty($str) && empty($default)) {
        $str = 'no_name__' . date('Y-m-d_H-m_A') . '__' . uniqid();
    } elseif (empty($str)) {
        $str = $default;
    }

    // Return completed string
    if (!empty($ext)) {
        return $str . $ext;
    } else {
        return $str;
    }
}

Entonces, digamos que alguna entrada del usuario es: .....&lt;div&gt;&lt;/div&gt;<script></script>&amp; Weiß Göbel 中文百强网File name %20 %20 %21 %2C Décor \/. /. . z \... y \...... x ./ “This name” is & 462^^ not &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; = that grrrreat -][09]()1234747) საბეჭდი-და-ტიპოგრაფიული

Y queremos convertirlo en algo más amigable para hacer un tar.gz con una longitud de nombre de archivo de 255 caracteres. Aquí hay un ejemplo de uso. Nota: este ejemplo incluye una extensión tar.gz con formato incorrecto como prueba de concepto, aún debe filtrar la extensión después de que la cadena se construya contra su lista blanca.

$raw_str = '.....&lt;div&gt;&lt;/div&gt;<script></script>&amp; Weiß Göbel 中文百强网File name  %20   %20 %21 %2C Décor  \/.  /. .  z \... y \...... x ./  “This name” is & 462^^ not &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; = that grrrreat -][09]()1234747) საბეჭდი-და-ტიპოგრაფიული';
$fallback_str = 'generated_' . date('Y-m-d_H-m_A');
$bad_extension = '....t&+++a()r.gz[]';

echo str_file($raw_str, '_', $bad_extension, $fallback_str);

La salida sería: _wei_gbel_file_name_dcor_._._._z_._y_._x_._this_name_is_462_not_that_grrrreat_][09]()1234747)_.tar.gz

Puedes jugar con él aquí: https://3v4l.org/iSgi8

O una esencia: https://gist.github.com/dhaupin/b109d3a8464239b7754a

EDITAR: filtro de script actualizado para en  lugar de espacio, enlace 3v4l actualizado

Lo mejor que sé hoy es el método estático Strings :: webalize de Nette framework.

Por cierto, esto traduce todos los signos diacríticos a su básico .. š => s ü => u ß => ss etc.

Para los nombres de archivo, debe agregar un punto "." al parámetro de caracteres permitidos.

/**
 * Converts to ASCII.
 * @param  string  UTF-8 encoding
 * @return string  ASCII
 */
public static function toAscii($s)
{
    static $transliterator = NULL;
    if ($transliterator === NULL && class_exists('Transliterator', FALSE)) {
        $transliterator = \Transliterator::create('Any-Latin; Latin-ASCII');
    }

    $s = preg_replace('#[^\x09\x0A\x0D\x20-\x7E\xA0-\x{2FF}\x{370}-\x{10FFFF}]#u', '', $s);
    $s = strtr($s, '`\'"^~?', "\x01\x02\x03\x04\x05\x06");
    $s = str_replace(
        array("\xE2\x80\x9E", "\xE2\x80\x9C", "\xE2\x80\x9D", "\xE2\x80\x9A", "\xE2\x80\x98", "\xE2\x80\x99", "\xC2\xB0"),
        array("\x03", "\x03", "\x03", "\x02", "\x02", "\x02", "\x04"), $s
    );
    if ($transliterator !== NULL) {
        $s = $transliterator->transliterate($s);
    }
    if (ICONV_IMPL === 'glibc') {
        $s = str_replace(
            array("\xC2\xBB", "\xC2\xAB", "\xE2\x80\xA6", "\xE2\x84\xA2", "\xC2\xA9", "\xC2\xAE"),
            array('>>', '<<', '...', 'TM', '(c)', '(R)'), $s
        );
        $s = @iconv('UTF-8', 'WINDOWS-1250//TRANSLIT//IGNORE', $s); // intentionally @
        $s = strtr($s, "\xa5\xa3\xbc\x8c\xa7\x8a\xaa\x8d\x8f\x8e\xaf\xb9\xb3\xbe\x9c\x9a\xba\x9d\x9f\x9e"
            . "\xbf\xc0\xc1\xc2\xc3\xc4\xc5\xc6\xc7\xc8\xc9\xca\xcb\xcc\xcd\xce\xcf\xd0\xd1\xd2\xd3"
            . "\xd4\xd5\xd6\xd7\xd8\xd9\xda\xdb\xdc\xdd\xde\xdf\xe0\xe1\xe2\xe3\xe4\xe5\xe6\xe7\xe8"
            . "\xe9\xea\xeb\xec\xed\xee\xef\xf0\xf1\xf2\xf3\xf4\xf5\xf6\xf8\xf9\xfa\xfb\xfc\xfd\xfe"
            . "\x96\xa0\x8b\x97\x9b\xa6\xad\xb7",
            'ALLSSSSTZZZallssstzzzRAAAALCCCEEEEIIDDNNOOOOxRUUUUYTsraaaalccceeeeiiddnnooooruuuuyt- <->|-.');
        $s = preg_replace('#[^\x00-\x7F]++#', '', $s);
    } else {
        $s = @iconv('UTF-8', 'ASCII//TRANSLIT//IGNORE', $s); // intentionally @
    }
    $s = str_replace(array('`', "'", '"', '^', '~', '?'), '', $s);
    return strtr($s, "\x01\x02\x03\x04\x05\x06", '`\'"^~?');
}


/**
 * Converts to web safe characters [a-z0-9-] text.
 * @param  string  UTF-8 encoding
 * @param  string  allowed characters
 * @param  bool
 * @return string
 */
public static function webalize($s, $charlist = NULL, $lower = TRUE)
{
    $s = self::toAscii($s);
    if ($lower) {
        $s = strtolower($s);
    }
    $s = preg_replace('#[^a-z0-9' . preg_quote($charlist, '#') . ']+#i', '-', $s);
    $s = trim($s, '-');
    return $s;
}

Parece que todo esto depende de la pregunta: ¿es posible crear un nombre de archivo que pueda usarse para piratear un servidor (o hacer algún otro daño)? Si no es así, entonces parece que la respuesta simple es intentar crear el archivo donde, en última instancia, se utilizará (ya que ese será el sistema operativo de elección, sin duda). Deje que el sistema operativo lo resuelva. Si se queja, transfiera esa queja al usuario como un error de validación.

Esto tiene el beneficio adicional de ser confiablemente portátil, ya que todos los sistemas operativos (estoy bastante seguro) se quejarán si el nombre del archivo no está formado correctamente para ese sistema operativo.

Si es posible hacer cosas nefastas con un nombre de archivo, tal vez haya medidas que se puedan aplicar antes de probar el nombre de archivo en el sistema operativo residente; medidas menos complicadas que un "saneamiento" completo del nombre de archivo.

de una sola mano

$bad='/[\/:*?"<>|]/';
$string = 'fi?le*';

function sanitize($str,$pat)
{
    return preg_replace($pat,"",$str);

}
echo sanitize($string,$bad);

/y ..en el nombre de archivo proporcionado por el usuario puede ser perjudicial. Entonces deberías deshacerte de estos con algo como:

$fname = str_replace('..', '', $fname);
$fname = str_replace('/',  '', $fname);

$ fname = str_replace ('/', '', $ fname);

Dado que los usuarios pueden usar la barra para separar dos palabras, sería mejor reemplazarla con un guión en lugar de NULL