Question

我发现BeautifulSoup 4似乎逃脱了内联javascript中的一些字符：

>>> print s
<DOCTYPE html>
<html>
<body>
<h1>Test page</h1>
<script type="text/javascript">
//<!--
if (4 > 3 && 3 < 4) {
        console.log("js working");
}
//-->
</script>
</body>
</html>
>>> import bs4
>>> soup = bs4.BeautifulSoup(s, 'html5lib')
>>> print soup
<html><head></head><body><doctype html="">


<h1>Test page</h1>
<script type="text/javascript">
//&lt;!--
if (4 &gt; 3 &amp;&amp; 3 &lt; 4) {
        console.log("js working");
}
//--&gt;
</script>

</doctype></body></html>
>>> print soup.prettify()
<html>
 <head>
 </head>
 <body>
  <doctype html="">
   <h1>
    Test page
   </h1>
   <script type="text/javascript">
    //&lt;!--
if (4 &gt; 3 &amp;&amp; 3 &lt; 4) {
        console.log("js working");
}
//--&gt;
   </script>
  </doctype>
 </body>
</html>

如果在上面丢失了，关键问题是：

if (4 > 3 && 3 < 4)

转换为：

if (4 &gt; 3 &amp;&amp; 3 &lt; 4)

哪个效果不好......

我在prettify()方法中尝试了包含的格式化程序，但没有成功。

所以任何想法如何阻止javascript被转义？或者在输出之前如何解除它？

Answer 1

编辑：此错误已在2013年5月30日发布的4.2.0中修复。

>>> import bs4
>>> bs4.__version__
'4.2.0'
>> s = """<DOCTYPE html>
... <html>
... <body>
... <h1>Test page</h1>
... <script type="text/javascript">
... //<!--
... if (4 > 3 && 3 < 4) {
...     console.log("js working");
... }
... //-->
... </script>
... </body>
... </html>
... """
>>> soup = bs4.BeautifulSoup(s)
>>> print soup
<html><body><doctype html="">
<h1>Test page</h1>
<script type="text/javascript">
//<!--
if (4 > 3 && 3 < 4) {
    console.log("js working");
}
//-->
</script>
</doctype></body></html>

如果你被困使用＆lt; 4.2出于某种原因，我发现了这个StackOverflow answer。在我看来，你可以做类似的事情：在所有标签上使用prettyify()走树，除了你以某种方式发出的script标签而不转义。

如何阻止BeautifulSoup转义内联javascript

1 个答案: