如何使用 python 删除 <script> 和 </script> 之间的文本？

Question

如何使用python删除<script>和</script>之间的文本？

Answer 1

您可以将BeautifulSoup 与此（和其他）方法一起使用：

soup = BeautifulSoup(source.lower())
to_extract = soup.findAll('script')
for item in to_extract:
    item.extract()

这实际上从 HTML 中删除了节点。如果您想保留空的 <script></script> 标记，则必须使用 item 属性，而不仅仅是从汤中提取它。

Answer 2

你想阻止XSS吗？仅仅消除<script> 标签并不能解决所有可能的攻击！以下是您可能易受攻击的多种方式（其中一些非常有创意）的清单http://ha.ckers.org/xss.html。阅读此页面后，您应该了解为什么仅使用正则表达式消除 <script> 标记不够健壮。 python 库lxml 有一个功能可以强大地清理您的 HTML 以使其安全显示。

如果你确定你只是想消除<script>标签，这个lxml中的代码应该可以工作：

from lxml.html import parse

root = parse(filename_or_url).getroot()
for element in root.iter("script"):
    element.drop_tree()

注意：我使用正则表达式对所有解决方案投了反对票。在这里查看为什么不应该使用正则表达式解析 HTML：Using regular expressions to parse HTML: why not?

注意 2： 另一个显示无法用正则表达式解析的 HTML 的 SO 问题：Can you provide some examples of why it is hard to parse XML and HTML with a regex?

Answer 3

根据Pev和wr发布的答案，为什么不升级正则表达式，例如：

pattern = r"(?is)<script[^>]*>(.*?)</script>"
text = """<script>foo bar  
baz bar foo  </script>"""
re.sub(pattern, '', text)

(?is) - 添加以忽略大小写并允许文本中的新行。这个版本还应该支持带有属性的脚本标签。

编辑：我还不能添加任何 cmets，所以我只是在编辑我的答案。我完全同意下面的评论，正则表达式对于此类任务是完全错误的，并且 b。汤 ot lxml 好多了。但是提出的问题只是一个简单的例子，而正则表达式应该足以完成这样简单的任务。使用 Beautiful Soup 进行简单的文本删除可能太多了（过载？我不知道如何表达我的意思，请原谅我的英语）。

顺便说一句，我犯了一个错误，代码应该是这样的：

pattern = r"(?is)(<script[^>]*>)(.*?)(</script>)"
text = """<script>foo bar  
baz bar foo  </script>"""
re.sub(pattern, '\1\3', text)

Answer 4

如果您要删除 <script> 和 </script> 之间的所有内容，为什么不直接删除整个节点？

你期待一个 resign 风格的 src 和 body 吗？

Answer 5

您可以使用HTMLParser 模块（复杂）或使用正则表达式来做到这一点：

import re
content = "asdf <script> bla </script> end"
x=re.search("<script>.*?</script>", content, re.DOTALL)
span = x.span() # gives (5, 27)

stripped_content = content[:span[0]] + content[span[1]:]

编辑：re.DOTALL，感谢 tgray

Answer 6

如果您不想导入任何模块：

string = "<script> this is some js. begone! </script>"

string = string.split(' ')

for i, s in enumerate(string):
    if s == '<script>' or s == '</script>' :
        del string[i]

print ' '.join(string)

Answer 7

Element Tree 是执行此操作的最简单和最甜蜜的软件包。是的，还有其他方法可以做到这一点；但不要使用任何'因为他们很烂！ （通过马克朝圣者）

Answer 8

我对 Python 的了解还不够好，无法告诉您解决方案。但是如果你想用它来清理用户输入，你必须非常非常小心。删除和之间的东西并不能捕获所有内容。也许你可以看看现有的解决方案（我假设 Django 包含类似的东西）。

Answer 9

example_text = "This is some text <script> blah blah blah </script> this is some more text."

import re
myre = re.compile("(^.*)<script>(.*)</script>(.*$)")
result = myre.match(example_text)
result.groups()
  <52> ('This is some text ', ' blah blah blah ', ' this is some more text.')

# Text between <script> .. </script>
result.group(2)
  <56> 'blah blah blah'

# Text outside of <script> .. </script>
result.group(1)+result.group(3)
  <57> 'This is some text  this is some more text.'