【问题标题】：Remove all JavaScript from an HTML page从 HTML 页面中删除所有 JavaScript
【发布时间】：2012-01-07 16:08:52
【问题描述】：

我尝试使用 Sanitize gem 来清理包含网站 HTML 的字符串。

它只删除了<script>标签，而不是脚本标签中的JavaScript。

我可以使用什么来从页面中删除 JavaScript？

【问题讨论】：

您还想删除所有on* 属性吗？

标签： ruby-on-rails ruby ruby-on-rails-3.1 screen-scraping nokogiri

【解决方案1】：

我偏爱Loofah gem。根据文档中的示例修改：

1.9.3p0 :005 > Loofah.fragment("<span onclick='foo'>hello</span> <script>alert('OHAI')</script>").scrub!(:prune).to_s
 => "<span>hello</span> "

您可能对ActiveRecord extensions Loofah 提供的服务感兴趣。

【讨论】：

【解决方案2】：

require 'open-uri'      # included with Ruby; only needed to load HTML from a URL
require 'nokogiri'      # gem install nokogiri   read more at http://nokogiri.org

html = open('http://stackoverflow.com')              # Get the HTML source string
doc = Nokogiri.HTML(html)                            # Parse the document

doc.css('script').remove                             # Remove <script>…</script>
puts doc                                             # Source w/o script blocks

doc.xpath("//@*[starts-with(name(),'on')]").remove   # Remove on____ attributes
puts doc                                             # Source w/o any JavaScript

【讨论】：

如果您的意图是防止 XSS 攻击，这似乎是一个非常糟糕的主意。您缺少各种边缘情况。 owasp.org/index.php/XSS_Filter_Evasion_Cheat_Sheet

【解决方案3】：

原来Sanitize 有一个内置选项（只是没有很好的记录）...

Sanitize.clean(content, :remove_contents => ['script', 'style'])

这删除了我想要的所有脚本和样式标签（及其内容）。

【讨论】：

【解决方案4】：

所以您需要将sanitize gem 添加到您的 Gemfile 中：

gem 'sanitize`

然后bundle

然后你就可以Sanitize.clean(text, remove_contents: ['script', 'style'])

【讨论】：

【解决方案5】：

我使用这个正则表达式来去除嵌入内容中的<script> 和</script> 标签，让标签消失。它还消除了诸如< script> 或< /script > ...等之类的东西...即添加了空格。

post.content = post.content.gsub(/<\s*script\s*>|<\s*\/\s*script\s*>/, '')

【讨论】：

【解决方案6】：

删除所有脚本标签

html_content = html_content.gsub(/<script.*?>[\s\S]*<\/script>/i, "")

source

【讨论】：