java - 如何从任意 HTML 中解析出 JavaScript

Question

我正在使用 jericho 对 html 进行消毒，效果很好。除了在一种情况下我无法弄清楚。我想完全删除任何脚本和脚本内容。现在我删除了脚本标签，但保留了实际的脚本内容。

所以目前我创建了一个 Source 对象并执行了一个 fullSequentialParse。然后我创建一个 OutputDocument 并遍历每个标签。

当我到达“脚本”标签时，我只想用“”替换整个内容。

有任何想法吗？

TIA

Answer 1

我不熟悉 Jericho，但是它能够在树上工作，非常类似于 DOM 树，因此您可以删除script 元素而不仅仅是标签。（不过，如果您有一个巨大的 HTML，这可能不是最佳选择）。

如果没有，那么您可以采用 SAX 方式。记住开始script标签，当你到达结束标签时，你可以删除中间的所有东西。

Answer 2

简单有效的方法——

1. 遍历以逐个到达脚本标签。
2. 对于每个脚本标签，您可以获得其下一个结束标签（使用 for 循环）。
3. 获取起始标签和结束标签的位置（整数值）。
4. 从源对象中删除这些行。
5. 替换源文件。（只需创建一个新文件并保存在同一文件夹中，它会覆盖）

A2A :)