HTML5Lib.Sanitizerで完全に不正なタグを削除します
-
14-11-2019 - |
質問
問題は私が不良タグを完全に削除したいだけでなく、それらを脱出するだけではありません(とにかく悪い考えのようです)。
パッチここはしません予想通りの作業(それは<tag>content</tag>
の内容を保持します)。
具体的には、このようなことをしたいです。
入力:
<script>bad_thing();</script>
<style>* { background: #000; }</style>
<h1>Hello world</h1>
Lorem ipsum
.
出力:
<h1>Hello world</h1>
Lorem ipsum
.
それを達成する方法についてのアイデア?私は美しい人を試してみましたが、うまく機能していないようで、LXMLは非常に奇妙な場所に<p></p>
タグを挿入します(例えば、SRC attrs周辺)。これまでのところ、html5libは、それらを脱出する代わりにタグを削除するだけで入手できれば、その目的のための最良のことであるようです。
解決
The challenge is to also strip unwanted nested tags. It isn't pretty but it's a step in the right direction:
from lxml.html import fromstring
from lxml import etree
html = '''
<script>bad_thing();</script>
<style>* { background: #000; }</style>
<h1>Hello world<script>bad_thing();</script></h1>
Lorem ipsum
<script>bad_thing();</script>
<b>Bold Text</b>
'''
l = []
doc = fromstring(html)
for el in doc.xpath(".//h1|.//b"):
i = etree.Element(el.tag)
i.text, i.tail = el.text, el.tail
l.append(etree.tostring(i))
print ''.join(l)
Which outputs:
<h1>Hello world</h1>
Lorem ipsum
<b>Bold Text</b>
所属していません StackOverflow