HTML清理 - 糟糕的标记？

Question

我一直在扫描一些关于清理HTML标记字符串的讨论，以便在页面上重新显示（例如博客评论）。在过去，我只是单方面逃过了重新展示的标记。

有没有人知道是否有任何解决方案不仅仅是删除“不安全”标签？

如果标记无效怎么办？例如，您如何预防和解除＆lt; b＆gt;粗体标记面对页面上的所有文本？

似乎Stackoverflow处理这个问题。

未关闭的'b'标签示例

感谢。

Answer 1

Stackoverflow使用textile或非常类似的东西。

纺织品或多或少保证吐出有效的（x）html，通过消毒用户输入来改善许多典型问题。

Answer 2

检查此代码：

Sanitize HTML，我认为StackOverflow在某个地方使用它......

  

消毒任何可能的方法   来自提供的原始的危险标签   使用基于白名单的HTML输入   方法，留下“安全”的HTML   标签

Answer 3

Html Agility Pack可能是一个很好的起点，因为它声称对格式错误和格式错误的HTML非常宽容。最重要的是，您可能希望制定一些规则来进行进一步的消毒。最后，将获得的DOM序列化为纯HTML代码。

我遇到了同样的问题，并在Html Agility Pack之上构建了基于规则的HTML清理程序。它允许您展平或移除标记，转换标记，例如将 b 替换为强标记并限制属性使用。如果想要快速完成，请查看HtmlRuleSanitizer的源代码代码，或者只需获取NuGet package。