Question

我正在寻找一个html清理程序，我可以根据API调用它来清理我从webapp获取的字符串。是否有一些有用的易用库？有谁知道可能有一两个？

我不需要大的东西，只需要能够找到未封闭的标签并关闭它们。

Answer 1

https://github.com/OWASP/java-html-sanitizer现已标记为可以投入生产使用了。

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

Sanitizers.FORMATTING.and(Sanitizers.LINKS)

或tests显示如何轻松配置自己：

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

或编写自定义政策，例如将h1更改为div以及某个类：

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"))

Answer 2

JTidy可能对您有帮助。

Answer 3

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

Answer 4

HTML解析器 JSoup 还支持政策制裁：http://jsoup.org/cookbook/cleaning-html/whitelist-sanitizer

Answer 5

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

用于HTML清理的库

5 个答案: