Python Beautiful Soup 4 模块

BeautifulSoup是一个可以从HTML或XML文件中提取数据的Python库

通过beautifulsoup4预防XSS攻击

借助beautifulsoup4将用户输入内容进行过滤
实际使用时需要采用单例模式
步骤：

1. 实例化对象，对页面进行解析
2. 查找目标标签
3. 将非法标签进行清空
4. 获取处理后字符串

直接操作标签

示例：

content = '''
<div id="i1">
    <img src="" id="img">
</div>
<div id="i2"></div>
<script>alert('Hi!')</script>
'''
soup = BeautifulSoup(content, 'html.parser')    # <class 'bs4.BeautifulSoup'>
script_tag = soup.find('script')   # <class 'bs4.element.Tag'>
script_tag.clear()
script_tag.hidden = True
content = soup.decode()  # 将对象转换为一个字符串
print(content)

输出结果：

<div id="i1">
    <img src="" id="img">
</div>
<div id="i2"></div>

操作属性

通过.attrs获取属性字典，在字典中进行操作
示例：

content = '''
<div id="i1">
    <img src="" id="img">
</div>
<div id="i2"></div>
<script>alert('Hi!')</script>
'''
soup = BeautifulSoup(content, 'html.parser')
img_tag = soup.find('img')
del img_tag.attrs['id']
content = soup.decode()
print(content)

输出结果：

<div id="i1">
    <img src="">
</div>
<div id="i2"></div>
<script>alert('Hi!')</script>

设置白名单

示例：

from bs4 import BeautifulSoup

content = '''
<div id="i1">
<img src="" id="img">
</div>
<div id="i2" class="c1"></div>
<script>alert('Hi!')</script>
'''
tag_p = {
    # 允许使用的标签和允许的属性
    'div': ['class', ],
    'img': ['src', ],
}
soup = BeautifulSoup(content, 'html.parser')    # <class 'bs4.BeautifulSoup'>
# 开始过滤
for tag in soup.find_all():
    if tag.name in tag_p:
        pass
    else:   # 不在白名单中的标签进行清除
        tag.hidden = True
        tag.clear()
        continue

    for k in list(tag.attrs.keys()):    # 注意要先将dict.keys转换成列表
        if k in tag_p[tag.name]:
            pass
        else:
            del tag.attrs[k]

content = soup.decode()
print(content)

输出结果：

<div>
<img src=""/>
</div>
<div class="c1"></div>

方法

findChildren = findAll = find_all
findChild = find = find_all[0]
tag.clear 将选定标签中内容清空（标签还在）
tag.hidden = True 将标签去掉（内容还在）
tag.attrs 获取一个字典，key: value