剥离Python字符串中某些html标签的最快方法是什么？

Question

我想删除除以下内容之外的所有html / javascript：

<b></b>
<ul></ul>
<li></li>
<a></a>

感谢。

Answer 1

你想要一种快速或正确的方式吗？基于正则表达式的方法不太可能是正确的，可能会导致XSS次攻击。

您应该使用HTML解析器，例如Beautiful Soup甚至htmllib。

此外，<a>可以包含javascript: href个，还有各种on *属性，这些属性都是javascript。你可能想剥掉所有这些。通常，白名单方法最好：只保留您知道的属性（和属性值）是安全的。

Answer 2

虽然我同意劳伦斯的观点，但有时会采用快速而肮脏的99％方法完成工作而不会产生其他问题。

这是一个演示基于正则表达式的方法的示例 -

import re

CLEANBODY_RE = re.compile(r'<(/?)(.+?)>', re.M)

def _repl(match):
    tag = match.group(2).split(' ')[0]
    if tag == 'p':
        return '<%sp>' % match.group(1)
    elif tag in ('a', 'br', 'ul', 'li', 'b', 'strong', 'em', 'i'):
        return match.group(0)
    return u''

def cleanbody(html):
    return CLEANBODY_RE.sub(_repl, html)

Answer 3

将要保留的元素替换为占位符值，然后将剩余的＆lt;。*＆gt; regex输出，最后用相应的html元素替换占位符。