python - 蟒蛇漂白剂：不一致的清洁行为

Question

我想使用漂白剂来格式化一些可能不干净的 HTML。在以下示例中，理想情况下漂白剂应去除：

• 第一个开口中的额外空间<p >
• 结束链接标签中的属性</a attr="test">
• 最后关闭的多余空格</p >

我的代码如下所示：

import bleach
html = """<p   >This <a href="book"> book </a attr="test"> will help you</p  >"""
html_cleaned = bleach.clean(html)

# html_cleaned is:
#'&lt;p  &gt;This <a href="book"> book </a> will help you&lt;/p&gt;'

如您所见，漂白剂非常不一致：

• 开始和结束p标记的 < 和 > 转义为<and >。对于链接标签，这不会发生
• 中的空格</p >被删除，在开口中<p >它们不是
• 另外，如果我在结束p标记中添加一个属性</p attr="test">，它不会被删除，而关闭</a attr="test">非法属性会被删除。

这里发生了什么？

Answer 1

bleach.cleantags需要一个指定允许标签的可选参数。默认情况下不允许使用该p标签，因此不会进行消毒处理。

我的问题可以通过以下方式解决：

cleaned_doc = bleach.clean(input_doc, tags = bleach.sanitizer.ALLOWED_TAGS+["p"])