python bleach：不一致的清洁行为

Question

我想用漂白剂格式化一些可能不干净的HTML。 在以下示例中，理想情况下应去除漂白剂：

• 第一个开头<p >中的多余空格
• 结束链接标记</a attr="test">中的属性
• 最后一个</p >结束时多余的空格

我的代码如下：

import bleach
html = """<p   >This <a href="book"> book </a attr="test"> will help you</p  >"""
html_cleaned = bleach.clean(html)

# html_cleaned is:
#'&lt;p  &gt;This <a href="book"> book </a> will help you&lt;/p&gt;'

如您所见，漂白非常不一致：

• 开始和结束p标记的<和>被转义为<和>。对于链接标记，这不会发生
• </p >中的空格已删除，开头<p >中的空格未删除
• 此外，如果我将属性添加到结束p标签</p attr="test">中，则不会删除该属性，而对于结束</a attr="test">，则删除了非法属性。

这是怎么回事？

Answer 1

bleach.clean需要一个可选的tags参数，该参数指定允许的标签。 默认情况下，p标签是不允许的，因此不会得到消毒处理。

我的问题可以通过以下方法解决：

cleaned_doc = bleach.clean(input_doc, tags = bleach.sanitizer.ALLOWED_TAGS+["p"])