Excel 粘贴转 HTML:白名单重建与样式优先级
从 Excel 复制一块表格,粘贴到网页里,剪贴板中并不是“几行文本”,而是一段完整的 HTML 文档:带 mso- 属性、<style> 类规则、条件注释,甚至可能夹带图片和链接。直接把它塞进页面,既不安全,也很难得到干净的表格。
先给结论
门户的 Excel 表格转 HTML 工具 不把剪贴板 HTML 直接插入页面,而是走三步:
- 用
DOMParser解析成一份惰性文档,只取行数最多的那张表; - 按白名单重建
<table>、<tr>、<td>,文本一律用createTextNode,其余标签拆掉; - 解析
<style>里的类规则,与单元格内联样式合并,保留合并单元格、列宽、背景、边框和少量字体样式。
预览放在 sandbox="" 的 iframe 里,下载的是独立 HTML 文档。整个过程在浏览器本地完成,表格内容不上传。
剪贴板里到底是什么
在 Excel、WPS 或 Google Sheets 里选中区域复制,剪贴板会同时写入 text/plain 和 text/html。后者不是干净的片段,而是一份带命名空间和样式的文档。结构大致如下(已删去与本文无关的属性):
<html xmlns:x="urn:schemas-microsoft-com:office:excel">
<head>
<style>
.xl65 { border: .5pt solid windowtext; background: #ffff00; }
</style>
</head>
<body>
<table>
<col width="120">
<tr>
<td class="xl65" style="background:#00ff00" colspan="2">A1</td>
</tr>
<tr>
<td>B1</td>
<td>C1</td>
</tr>
</table>
</body>
</html>
两个细节决定了实现方式:
- 边框、背景常常写在
.xl65这类类规则里,不在<td style>上;只读内联样式会丢边框。 - 颜色可能是
windowtext这样的系统色关键字,直接输出到非 Windows 环境会失效。
剪贴板是应用间共享的数据,不能假设它一定来自 Excel。任何程序都可以写入带 <script>、onerror、javascript: 链接的 HTML。所以这里的目标不是“把 Excel 的标签删一删”,而是“只允许我们认识的标签和属性通过”。
解析:惰性文档与选表
入口先做一次粗略检查,只判断有没有表格:
export function checkClipboardTableHtml(clipboardHtml: string | null | undefined) {
if (!clipboardHtml || !clipboardHtml.trim()) {
return 'empty'
}
return /<table[\s>]/i.test(clipboardHtml) ? 'ok' : 'notTable'
}
真正的解析在 convertClipboardTableHtml:
const parsed = new DOMParser().parseFromString(source, 'text/html')
const candidates = Array.from(parsed.querySelectorAll('table'))
const srcTable = candidates.sort((a, b) => b.rows.length - a.rows.length)[0]
if (!srcTable) {
throw new Error('no table found')
}
DOMParser 生成的文档没有挂到当前页面,脚本不会执行,图片也不会发起请求;它只是一个可查询的树。即便如此,后续也没有把 srcTable 直接 append 到页面,而是以它为输入重建。
多区域复制时,Excel 可能写入多张表。这里选行数最多的一张,避免把说明文字或空表当成主表。这个策略简单,但对“复制一整块数据”是够用的;如果业务需要保留多张表,应改成按顺序处理,而不是排序后取第一张。
白名单重建:文本用 createTextNode
重建从单元格内容开始。appendInlineContent 只认识文本、<br>、加粗、斜体、下划线和带少量样式的 <span>/<font>,其余标签一律“拆壳留内容”:
function appendInlineContent(out: Document, source: Node, target: Element) {
for (const child of Array.from(source.childNodes)) {
if (child.nodeType === 3) {
target.appendChild(out.createTextNode(child.nodeValue || ''))
continue
}
if (child.nodeType !== 1) continue
const el = child as Element
const tag = el.tagName.toLowerCase()
if (tag === 'br') {
target.appendChild(out.createElement('br'))
continue
}
// b / strong / i / em / u / span / font 按白名单处理
// 其余标签递归拆开,只保留内部内容
appendInlineContent(out, el, target)
}
}
这段逻辑带来的实际结果:
| 输入 | 输出 |
|---|---|
<b>加粗</b> | <span style="font-weight:700">加粗</span> |
<a href="javascript:alert(1)">链接文字</a> | 只保留“链接文字”,href 不进入结果 |
<img src="https://tracker.example.com/x.png"> | 整个标签消失 |
<script>alert(1)</script> | 标签消失,文本 alert(1) 作为普通文本保留 |
<div><span>嵌套</span></div> | 拆掉 div,按 span 规则处理 |
脚本标签被拆掉后不会执行,这一点是安全的;但它的文本会留在单元格里,看起来像一段多余内容。如果希望连脚本正文也不显示,需要在递归前单独跳过 script、style、template 这几类子树。当前实现选择“保留可见文本”,与“拆壳留内容”的整体策略一致。
表格结构同样按白名单创建:
const tag = cell.tagName.toLowerCase()
const td = out.createElement(tag === 'th' ? 'th' : 'td')
const colspan = spanCount(cell, 'colspan')
const rowspan = spanCount(cell, 'rowspan')
if (colspan > 1) td.setAttribute('colspan', String(colspan))
if (rowspan > 1) td.setAttribute('rowspan', String(rowspan))
spanCount 会把非数字、负数、超大值都收敛到 1 或 1000,避免一个 colspan="999999" 把布局撑坏。合并信息也会被统计出来,页面显示“合并单元格 1 处”,指的是有一个单元格带 colspan 或 rowspan,不是被合并覆盖的总格数。
样式优先级:类规则先合并,内联后覆盖
Excel 把视觉信息分散在两处:<style> 的类规则和单元格的 style 属性。重建时先解析类规则,再按“类 → 内联”的顺序合并:
const decls: Record<string, string> = {}
const classes = (cell.getAttribute('class') || '').split(/\s+/).filter(Boolean)
for (const name of classes) {
Object.assign(decls, classRules.get(name) || {})
}
Object.assign(decls, styleDecls(cell.getAttribute('style') || ''))
Object.assign 后面的键覆盖前面的键,所以同一个属性以内联样式为准。这与浏览器的层叠结果一致:内联声明优先于类选择器(不考虑 !important)。实测中,类里写 background:#ffff00、内联写 background:#00ff00,输出保留的是 #00ff00。
类规则的解析用了一个很朴素的表达式:
const re = /\.([A-Za-z0-9_-]+)\s*\{([^{}]*)\}/g
它只认“单个类名 + 一对花括号”的规则,不处理媒体查询、组合选择器和嵌套。Excel 剪贴板里的样式正好是这种形状,所以够用;换到完整的网页 CSS,这个解析器会漏掉大量规则,不能拿来做通用 CSS 提取。
保留下来的属性分两组:
| 组 | 属性 |
|---|---|
| 单元格 | background-color、background、color、font-weight、font-style、text-align、vertical-align、font-size、font-family、white-space、width、height |
| 边框 | border、border-top、border-right、border-bottom、border-left |
其余属性,包括 mso-*、position、z-index,在重建时直接丢弃。这样输出的样式只影响表格本身,不会把元素定位到页面其他位置。
值清洗:windowtext 与危险值
属性名对了,值仍可能有问题。所有进入输出的值都要过一遍 safeValue:
const UNSAFE_VALUE_RE = /url\(|expression|javascript:|behavior|@import/i
function safeValue(value: string): string {
return UNSAFE_VALUE_RE.test(value) ? '' : value.replace(/windowtext/gi, '#000')
}
各条规则对应一类真实问题:
url(...):背景图可以指向远程地址,变成追踪像素或混合内容;expression(...):旧版 IE 的 CSS 表达式,能执行脚本;javascript::出现在背景或边框值里的伪协议;behavior:旧版 IE 的 HTC 行为绑定;@import:把外部样式表拉进来。
windowtext 是 Windows 的系统色关键字,Excel 常用它表示“自动黑色”。统一替换成 #000,保证在 macOS、Linux 和导出后的独立文件里颜色一致。单元格上的 bgcolor 属性也会读,但会被内联的 background-color 覆盖,顺序与浏览器一致。
这是一层“白名单属性 + 危险值拒绝”的组合:不认识属性进不来,认识属性里的危险值也进不来。它不试图理解 CSS,只做保守过滤。
合并单元格、列宽与固定布局
列宽来自源表的 <col>:
const cols = Array.from(srcTable.querySelectorAll(':scope > colgroup > col, :scope > col'))
for (const col of cols) {
const width = safeValue(decls.width || '') ||
(col.getAttribute('width') ? `${col.getAttribute('width')}px` : '')
// 生成新的 <col style="width:...">
}
只要有列宽,就同时设置 table-layout: fixed 并插入 <colgroup>。固定布局让浏览器按声明的宽度分配列,不会因为某个单元格内容过长而把整张表挤变形;代价是内容可能被截断,所以输出样式里同时保留了 word-break: break-word 和 white-space。
表宽、行高和背景也按同样方式处理:表宽取源表 style 里的 width,行高与行背景取 <tr style> 里的对应值。没有列宽时不做固定布局,交给浏览器自动分配。
输出与预览隔离
最终生成的是一份可以独立打开的 HTML 文档,而不是一个 <table> 片段:
const html = [
'<!doctype html>',
'<html lang="zh-CN">',
'<head>',
'<meta charset="utf-8">',
'<meta name="viewport" content="width=device-width, initial-scale=1">',
`<title>${escapeHtml(docTitle)}</title>`,
'<style>',
'body{margin:32px auto;max-width:1100px;padding:0 20px;...}',
'table{border-collapse:collapse;font-size:14px}',
'td,th{border:1px solid #d0d7de;padding:4px 10px;...}',
'</style>',
'</head>',
'<body>',
table.outerHTML,
'</body>',
'</html>'
].join('\n')
页面预览没有把这段 HTML 放进当前文档,而是交给 iframe:
<iframe :srcdoc="result.html" sandbox="" title="table preview" />
sandbox="" 表示所有沙箱能力都关闭:不执行脚本、不允许表单提交、不授予同源权限、不能导航顶层页面。即使白名单有遗漏,预览也只是一个被隔离的静态文档。下载走 Blob,文件名带时间戳,避免连续导出互相覆盖。
页面的粘贴监听挂在 document 上,因为页面上没有输入框。监听里会跳过 INPUT、TEXTAREA 和 contentEditable 区域,避免以后加搜索框时抢走正常粘贴;空内容提示“你没有复制任何内容”,有内容但没有表格则提示“你复制的内容不是 Excel 表格区域”。
验证清单
| 操作 | 预期 |
|---|---|
| 粘贴 2×2、含一个合并单元格的区域 | 显示 2 行 × 2 列、合并单元格 1 处 |
| 类规则背景与内联背景冲突 | 输出保留内联值 |
边框值含 windowtext | 输出为 #000 |
背景值含 url(...) | 该声明被丢弃 |
单元格内含 <script> | 标签不进入输出,文本保留 |
单元格内含 <img> | 图片不进入输出 |
| 复制两块不相邻区域 | 取行数最多的那张表 |
| 粘贴普通文本 | 提示不是表格区域 |
从 Excel 复制时尽量只选数据区域,不要把整行整列一起选中。整行复制会带进大量空单元格和样式,输出行数、列数都会比预期大;这时先清空重贴,比在结果里手工删更省事。
FAQ
为什么不能直接 innerHTML?
剪贴板 HTML 来自其他应用,属于不可信输入。innerHTML 会保留事件属性、链接协议和远程资源引用,后续一旦触发就可能执行脚本或发起请求。白名单重建把“允许什么”写死在代码里,比事后删标签可靠。
合并单元格和列宽能保留吗?
能。colspan、rowspan 会保留并做上限收敛,列宽从 <col> 读取,存在列宽时使用固定布局。Excel 的打印缩放、分页符不在处理范围内。
为什么边框颜色变成 #000?
Excel 常用 windowtext 表示自动黑色,它不是跨平台都有效的颜色值。输出统一替换成 #000,避免在非 Windows 环境或独立文件中显示异常。
脚本和图片会被怎么处理?
脚本标签会被拆掉,文本作为普通内容保留,不会执行;图片标签整体丢弃,不保留 src。链接标签同样只留文字,不保留 href。
Google Sheets 复制的内容也能用吗?
可以。它同样会在剪贴板里写 text/html 和 <table>,只是类名和样式写法与 Excel 不同。转换逻辑只依赖表格结构,不依赖具体的类名。
结语
Excel 粘贴转 HTML 的难点不在“生成 <table>”,而在处理一份来自其他应用、结构不可控的 HTML。解析到惰性文档、按白名单重建、合并类与内联样式、最后用沙箱预览,这套流程把不可信输入收敛成了有限的标签和属性。需要把表格转成 Markdown 时,可以继续用 HTML 转 Markdown 工具;更多前端实现记录在 前端开发 分类下。
Comments
No comments yet — be the first to say something