Bleach：Mozilla 出品，快速准确地清理 HTML

Posted 2021-09-28 开源前哨

【导语】：Bleach 是 Mozilla 官方开发的 html 清理库，用 Python 实现。它使用简单，能够快速准确地清理文本中的 HTML 片段，还能提取出其中的链接，通过点击链接，你就能安全地查阅对应的内容。

简介

在日常的工作中，你是否碰到过带有 HTML 片段的内容，比如博客上的用户评论，或者商品的描述信息？在处理这些内容时，你是否因其中包含的无效标记，不完整标签以及不安全链接而困扰？如果你曾碰到过上述问题，那么 Bleach 库将会解决你的烦恼。Bleach 是一个基于白名单的 HTML 清理库，可以转义或去除标记和属性。简而言之，你可以自定义一个列表，其中包括允许存在的标签或属性，当接收到一部分 HTML 文本时，Bleach 能够把文本中的其他标签换码，并去除其他属性；另外，Bleach 还能安全地链接到文本，例如：你可以把一部分 HTML 文本中的所有 URL 转化为安全的 HTML 链接，同时你还能给这些链接自定义属性，还能删除某些不安全的链接。

项目地址:

https://github.com/mozilla/bl...

安装

用 pip 安装：

pip install bleach  

使用简单

1. 假设我们想清理一部分 HTML 中的<i></i>标签：

import nbsp;bleach  
result = bleach.clean(  
    "<b><i>开源前哨</i></b>",  
    tags=["b"]  
)  
print(result)  

输出结果如下：
<b>&lt;i&gt;开源前哨&lt;/i&gt;</b>

1. 假设我们想清理一部分 HTML 中的某个属性：

import bleach  
result = bleach.clean(  
    \'<p class="foo" style="color: red; font-weight: bold;">开源前哨</p>\',  
    tags=[\'p\'],  
    attributes=[\'style\'],  
    styles=[\'color\'],  
)  
print(result)  

输出结果如下：
<p style="color: red;">开源前哨</p>

1. 假设我们想提取链接，并加一个标题：

from bleach.linkifier import Linker  
def set_title(attrs, new=False):  
    attrs[(None, \'title\')] = \'京东商城\'  
    return attrs  
linker = Linker(callbacks=[set_title])  
result = linker.linkify(\'shopping https://www.jd.com Buy things.\')  
print(result)  

输出结果如下：

shopping <a href="https://www.jd.com/" title="京东商城">https://www.jd.com</a> Buy things.  

1. 假设我们想删除某个链接：

from bleach.linkifier import Linker  
def remove_link(attrs, new=False):  
    if attrs[(None, \'href\')].startswith(\'https:\'):  
        return None  
    return attrs  
linker = Linker(callbacks=[remove_link])  
result = linker.linkify(\'<a href="https://www.abc.com">a website</a>\')  
print(result)  

输出结果如下：
a website

Bleach 的简单介绍就到这里，更多内容详见该库的官方文档：https://bleach.readthedocs.io/

开源前哨 日常分享热门、有趣和实用的开源项目。参与维护 10万+ Star 的开源技术资源库，包括：Python、Java、C/C++、Go、JS、CSS、Node.js、php、.NET 等。