htmlagilitypack - 删除脚本和样式？

Posted 2023-03-05

【中文标题】htmlagilitypack - 删除脚本和样式？

【英文标题】：htmlagilitypack - remove script and style?

【发布时间】：2012-11-06 15:31:45

【问题描述】：

我用下面的方法来提取html表单中的文本：

    public string getAllText(string _html)
    
        string _allText = "";
        try
        
            HtmlAgilityPack.HtmlDocument document = new HtmlAgilityPack.HtmlDocument();
            document.LoadHtml(_html);


            var root = document.DocumentNode;
            var sb = new StringBuilder();
            foreach (var node in root.DescendantNodesAndSelf())
            
                if (!node.HasChildNodes)
                
                    string text = node.InnerText;
                    if (!string.IsNullOrEmpty(text))
                        sb.AppendLine(text.Trim());
                
            

            _allText = sb.ToString();

        
        catch (Exception)
        
        

        _allText = System.Web.HttpUtility.HtmlDecode(_allText);

        return _allText;
    

问题是我也得到了脚本和样式标签。

我怎样才能排除它们？

【问题讨论】：

内联样式，即

if (childNode.Attributes.Contains("style")) childNode.Attributes.Remove("style"); if (childNode.Attributes.Contains("class")) childNode.Attributes.Remove("class");

【参考方案1】：

public static string StripStyles(this string html)

    var document = new HtmlDocument();

    document.LoadHtml(html);

    foreach (var node in document.DocumentNode.DescendantsAndSelf())
    
        var toRemove = node.Attributes.Where(x => x.Name == "style" || x.Name == "script")
            .ToList();
        foreach (var attribute in toRemove)
        
            attribute.Remove();
        
    

    return document.DocumentNode.OuterHtml;

【参考方案2】：

您可以使用HtmlDocument 类：

HtmlDocument doc = new HtmlDocument();

doc.LoadHtml(input);

doc.DocumentNode.SelectNodes("//style|//script").ToList().ForEach(n => n.Remove());

【讨论】：

不应该是doc.DocumentNode.SelectNodes("//style|//script").ToList().ForEach(n => n.Remove());吗？

@Rubanov 是的，应该是，我有一个扩展方法，所以我的代码中不需要 .ToList。答案已更新，谢谢。

【参考方案3】：

一些很好的答案，System.Linq 很方便！

对于非基于 Linq 的方法：

private HtmlAgilityPack.HtmlDocument RemoveScripts(HtmlAgilityPack.HtmlDocument webDocument)


// Get all Nodes: script
HtmlAgilityPack.HtmlNodeCollection Nodes = webDocument.DocumentNode.SelectNodes("//script");

// Make sure not Null:
if (Nodes == null)
    return webDocument;

// Remove all Nodes:
foreach (HtmlNode node in Nodes)
    node.Remove();

return webDocument;

【参考方案4】：

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(html);

doc.DocumentNode.Descendants()
                .Where(n => n.Name == "script" || n.Name == "style")
                .ToList()
                .ForEach(n => n.Remove());

【讨论】：

我该如何解决这个问题？

@Jacqueline 当你运行上面的代码时。所有script 和style 标签将从doc 中删除

啊，我明白了，是否可以扩展以支持诸如 之类的 cmets？

@Jacqueline .Where(n => n.Name == "script" || n.Name == "style" || n.Name=="#comment")

Name 属性是否需要区分大小写？我认为攻击者可能使用了<SCRIPT>。