用于 HTML 清理的库答案

【问题标题】：Libs for HTML sanitizing用于 HTML 清理的库
【发布时间】：2010-12-29 03:43:35
【问题描述】：

我正在寻找一个 html sanitizer，我可以根据 API 调用它来清理从我的 webapp 获得的字符串。是否有一些有用的易于使用的库可用？有人知道一两个吗？

我不需要什么大的东西，它必须能够找到未关闭的标签并关闭它们。

【问题讨论】：

标签： java html parsing

【解决方案1】：

https://github.com/OWASP/java-html-sanitizer 现在标记为可供生产使用。

用 Java 编写的快速且易于配置的 HTML Sanitizer，可让您在 Web 应用程序中包含由第三方创作的 HTML，同时防止 XSS。

你可以使用prepackaged policies

Sanitizers.FORMATTING.and(Sanitizers.LINKS)

或tests 展示如何轻松配置自己的：

new HtmlPolicyBuilder()
    .allowElements("a")
    .allowUrlProtocols("https")
    .allowAttributes("href").onElements("a")
    .requireRelNofollowOnLinks()

或编写自定义策略来执行诸如将 h1s 更改为具有特定类的 divs 之类的事情：

new HtmlPolicyBuilder()
    .allowElements("h1", "p")
    .allowElements(
        new ElementPolicy() {
          public String apply(String elementName, List<String> attrs) {
            attrs.add("class");
            attrs.add("header-" + elementName);
            return "div";
          }
        }, "h1"))

【讨论】：

这个库给人的第一印象很好：文档齐全，API 干净。
我使用这个库，但它也删除了嵌入的 iframe。有什么方法可以添加 iframe，我有真正的用例，例如添加嵌入 youtube 视频或幻灯片演示文稿。我怎么能允许这样的嵌入式 iframe？
@usero1，是的，你可以allowElements("iframe")。
非常感谢迈克！但输入 html 就像： <div class="embeddedContent" data-resizetype="noresize" data-align="none" data-oembed="http://www.youtube.com/watch?v=fC5N2EPCesk"><iframe src="//www.youtube.com/embed/fC5N2EPCesk?wmode=transparent&amp;jqoemcache=paWu1" width="425" height="349" allowfullscreen="true" allowscriptaccess="always" scrolling="no" frameborder="0"></iframe></div> & 在经过净化的输出中，我将所有属性都删除了。如何防止属性被剥离？顺便说一句，允许具有所有这些属性的 iframe 是否安全？
@user01，您可能必须允许 src 属性具有您认可的值。请参阅 HTML 策略构建器类的文档。

【解决方案2】：

HTML 解析器 JSoup 还支持按策略清理：http://jsoup.org/cookbook/cleaning-html/whitelist-sanitizer

【讨论】：

【解决方案3】：

http://roberto.open-lab.com/2009/11/05/a-java-html-sanitizer-also-against-xss/

【讨论】：

【解决方案4】：

除了JTidy你还可以看看：
Nekohtml
TagSoup
Getting text in HTmL document

【讨论】：

【解决方案5】：

JTidy 可以帮到你。

【讨论】：

是的，idd，jTidy 帮帮我。感谢分享。