Question

我的HTML可能包含来自Surveymonkey的嵌入代码，我想通过jSoup运行，以确保生成的HTML有效。 XSS在这里不是问题。这是一个示例HTML片段（编辑：在这种情况下JavaScript的内容是无关紧要的，所以我用一个简单的日志语句替换了Surveymonkey JS）：

＆＃xA;＆＃xA;

 ＆lt; script type =“text / javascript”＆gt; console.log（'foo'）;＆lt; / script＆gt;＆＃xA;＆lt; div id =“somecontent”＆gt;一些内容＆lt; / div＆gt;＆＃xA ;＆lt; script type =“text / javascript”＆gt; console.log（'bar'）;＆lt; / script＆gt;＆＃xA;

＆＃xA;＆＃xA;

parse（htmlSnippet）.body（）。html（）会产生一个缺少第一个脚本 -block的字符串：

＆＃xA;＆＃ xA;

 ＆lt; div id =“somecontent”＆gt;一些内容＆lt; / div＆gt; ＆＃xA;＆lt; script type =“text / javascript”＆gt; console.log（'bar'）;＆lt; / script＆gt;＆＃xA;

＆＃xA;＆＃xA;

然而，第二个脚本 -block没有被剥离。

＆＃xA;＆＃xA;

如果我用一个空的＆lt;前缀整个东西。 span＆gt;＆lt; / span＆gt; ，jSoup保留脚本。因此，对于以下代码段

＆＃xA;＆＃xA;

 ＆lt; span＆gt;＆lt; / span＆gt;＆＃xA;＆lt; script type =“text / javascript”＆gt;控制台。 log（'foo'）;＆lt; / script＆gt;＆＃xA;＆lt; div id =“somecontent”＆gt;一些内容＆lt; / div＆gt;＆＃xA;＆lt; script type =“text / javascript”＆gt;控制台。日志（ '巴'）;＆LT; /脚本＆GT;＆＃XA;

＆＃XA;＆＃XA;

<代码>解析（htmlSnippet）。体（）的HTML（） 返回

＆＃xA;＆＃xA;

 ＆lt; span＆gt;＆lt; / span＆gt; ＆＃xA;＆lt; script type =“text / javascript”＆gt; console.log（'foo'）;＆lt; / script＆gt; ＆＃xA;＆lt; div id =“somecontent”＆gt;一些内容＆lt; / div＆gt; ＆＃xA;＆lt; script type =“text / javascript”＆gt; console.log（'bar'）;＆lt; / script＆gt;＆＃xA;

＆＃xA;＆＃xA;

显然我在这里肯定有问题。任何人都可以对这个问题有所了解吗？

＆＃xA;＆＃xA;

我可以为此目的尝试Tidy，但我宁愿只有一个库来纠正用户错误在标记和任选使用白名单清理（这不是问题）。

＆＃xA;

Answer 1

问题由JSoup dev自己解决，见Github Issues。

Jonathan Hedley写道：

如果要分析正文片段，则应使用   Jsoup.parseBodyFragment（）方法。这会强制提供所有内容   进入正文，而不是试图创建一个完整的有效文档。

这里发生的是你要求Jsoup解析文档。   根据规范，HTML文档有头部和正文，在解析时，   第一个脚本进入头部（因为身体还没有开始   然而，脚本还可以。然后解析器看到一个div，   它不能进入头部，所以它移动到身体。一旦进入体内   模式，每个标签都保存在体内。

所以在你的范围内，脚本因为解析器而进入正文   已经切换到了身体。

Chrome和其他HTML解析器执行相同的操作：parsing result in Chrome

jsoup parse（）似乎删除了前导<script>元素

1 个答案: