使用 html5lib.sanitizer 完全删除错误标签

Question

我正在尝试使用 html5lib.sanitizer 来清理用户输入，如文档中的建议

问题是我想完全删除坏标签，而不仅仅是逃避它们（无论如何这似乎是一个坏主意）。

此处补丁中建议的解决方法无法按预期工作（它保留<tag>content</tag>的内部内容）。

具体来说，我想做这样的事情：

输入：

<script>bad_thing();</script>
<style>* { background: #000; }</style>
<h1>Hello world</h1>
Lorem ipsum

输出：

<h1>Hello world</h1>
Lorem ipsum

关于如何实现它的任何想法？我尝试过 BeautifulSoup，但它似乎效果不佳，lxml 在非常奇怪的地方（例如在 src attrs 周围）插入<p></p>标签。到目前为止，html5lib 似乎是最好的选择，如果我能让它删除标签而不是转义它们。

Answer 1

挑战在于还要去除不需要的嵌套标签。它并不漂亮，但它是朝着正确方向迈出的一步：

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)

哪些输出：

<h1>Hello world</h1>
Lorem ipsum
<b>Bold Text</b>