HTML 从html标签中删除“no-js”类，添加“js”类

Posted

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了HTML 从html标签中删除“no-js”类，添加“js”类相关的知识，希望对你有一定的参考价值。

<html class="no-js">

<head>

	<script>
	document.documentElement.className = document.documentElement.className.replace(/\bno-js\b/g, '') + ' js ';
	</script>

	<!-- ...  -->

从 HTML 中删除脚本标签和属性

【中文标题】从 HTML 中删除脚本标签和属性【英文标题】：Remove Script tag and on attributes from HTML 【发布时间】：2014-09-27 01:45:49 【问题描述】：

我有以下 HTML，我需要删除 HTML 中的脚本标签和任何与脚本相关的属性。与脚本相关的属性是指任何以 on 开头的属性。 

<body>
<script src="...">

    </script>
<div onresize="CreateFixedHeaders()" onscroll="CreateFixedHeaders()" id="oReportDiv" style="overflow:auto;WIDTH:100%">

<script type="text/javascript" language="javascript">

//&lt;![CDATA[

function CreateFixedHeaders() //]]&gt;
</script>
<script>

            var ClientReportfb64a4706a3749c484169e...
        </script>
</body>

我的第一个想法是使用 BeautifulSoup 来删除标签和属性。不幸的是，我无法使用 BeautifulSoup。看到 BeautifulSoup 不在桌面上，我可以看到这样做的两个选项。我看到的第一个选项是拆分字符串并基于索引进行解析。这对我来说似乎是一个糟糕的解决方案。

另一种选择是使用正则表达式。但是，我们知道这也不是一个好的解决方案 (Cthulhu Parsing)。

现在考虑到这一点，我个人觉得使用正则表达式来剥离属性是可以的。毕竟，对于那些它仍然是简单的字符串操作。

所以为了删除我拥有的属性：

script_attribute_regex = r'\son[a-zA-Z]+="[a-zA-Z0-0\.;\(\)_]+"'
result = re.sub(script_attribute_regex, "", page_source)

正如我之前所说，我个人认为上面对正则表达式与 HTML 的使用是完全可以接受的。但我仍然想对上述用法提出一些意见。

然后是脚本标签的问题。我很想为此使用正则表达式，因为我了解它们并且我知道我需要的非常简单。比如：

<script(.*)</script>

以上将开始让我接近我需要的东西。是的，我意识到上面的 RegEx 将从第一个开始脚本标签开始抓取所有内容，直到最后一个结束脚本标签，但这是一个开始的例子。

我很想使用正则表达式，因为我对它们很熟悉（比 Python 更熟悉），而且我知道这是实现我想要的结果的最快方法，至少对我来说是这样。

所以我需要帮助来违背我的本性而不是邪恶。我想变得邪恶并使用正则表达式，所以请有人向我展示光明并引导我到非正则表达式的应许之地。

谢谢

更新：

看起来我不太清楚我的问题到底是什么，对此我深表歉意。我的问题是如何在没有正则表达式的情况下使用纯 Python 解析 HTML？ 

<script(.*)</script>

至于上面的代码示例，是错误的。我知道这是错误的，我用它作为一个起点的例子。

我希望这能解决我的一些问题

更新 2

我只是想添加一些关于我正在做的事情的注释。

我正在爬取一个网站以获取我需要的数据。

一旦我们拥有包含我们需要的数据的页面，它就会被保存到数据库中。

然后将保存的网页显示给用户。

我试图解决的问题发生在这里。当您尝试与强制用户单击确认框的页面交互时，应用程序会引发脚本错误。该应用程序不是 Web 浏览器，而是使用 Windows 中的 Web 浏览器 DLL（我暂时不记得名称）。

有问题的错误只发生在这个网站的这一页中。

更新 3

添加更新后，我意识到我在考虑问题，我正在寻找更通用的解决方案。但是，在这种情况下，这不是所需要的。

页面是动态生成的，但脚本标签将保持静态。考虑到这一点，解决方案变得更加简单。有了它，我不再需要将其视为 HTML，而是将其视为静态字符串。

所以我正在寻找的解决方案是

import re


def strip_script_tags(page_source: str) -> str:
    pattern = re.compile(r'\s?on\w+="[^"]+"\s?')
    result = re.sub(pattern, "", page_source) 
    pattern2 = re.compile(r'<script[\s\S]+?/script>')
    result = re.sub(pattern2, "", result)
    return result

但是，我想避免使用正则表达式，因为在这种情况下，我仅限于使用标准库正则表达式似乎是最好的解决方案。这意味着@skamazin 的回答是正确的。

【问题讨论】：

试试this线程，我想它可以帮助你。 @TomasCot 不幸的是，这是 JavaScript，我正在尝试在 Python 中执行此操作。我知道 BeautifulSoup 有一个类似于 JS 的 API，可以这样使用它。但是，我不能使用 BeautifulSoup，我需要为此使用纯 Python。如果 Python 具有与此相同风格的 DOM API，我可以让它工作，但我不知道除了 BeautifulSoup 之外的任何东西，它可以为您提供 JS 风格的 DOM API。如果我不正确，请纠正我。或者您是在与该帖子中从 jquery 中提取的正则表达式交谈吗？ @user3752226 好像你知道你在用正则表达式做什么，那么关于&lt;script(.*)&lt;/script&gt; 的问题是什么？您是否要删除/修改某些内容？也许我在您的问题中错过了它，但是除了删除以字符串 "on" 开头的属性之外，您还需要做什么似乎并不清楚 @user3752226，我说的是正则表达式的答案。 你为什么不能使用 BeautifulSoup，“纯 python”对你意味着什么？ BeautifulSoup 是用纯 python 编写的，据我所知，它没有 C 扩展。你的意思是标准库吗？ 【参考方案1】：

至于去掉所有以on开头的属性，可以试试this

它使用正则表达式：

\s?on\w+="[^"]+"\s?

并用空字符串替换（删除）。所以在 Python 中应该是：

pattern = re.compile(ur'\s?on\w+="[^"]+"\s?')
subst = u""
result = re.sub(pattern, subst, file)

如果您尝试匹配脚本标签之间的任何内容，请尝试：

<script[\s\S]+?/script>

DEMO

您的正则表达式的问题在于该点 (.) 与换行符不匹配。使用补集将匹配每个可能的字符。并确保在[\s\S]+? 中使用?，使其变得懒惰而不是贪婪。

【讨论】：

感谢您提供 RegEx 提示。但是，我的问题不是关于使用 RegEx。我的问题是如何在不使用正则表达式的情况下解析脚本标签。 哦！我不知道足够多的 Python 来帮助你，但我可以在 this direction 中指出你。如果这没有帮助，我很抱歉，但我看到很多人建议使用这种方法来解决标签问题。

以上是关于HTML 从html标签中删除“no-js”类，添加“js”类的主要内容，如果未能解决你的问题，请参考以下文章

html 这在ie特定样式的情况下提供了html标签上的类。注意：Modernizr在加载时用“js”替换“no-js”。如果你

HTML“no-js”类的目的是啥？

JavaScript - 用“js”类替换“no-js”类不起作用？

如何使用 Simple HTML Dom Parser 从 HTML 中删除类和 ID 属性

使用java从字符串中删除html标签[重复]

从 HTML 中删除脚本标签和属性