疑似BUG:Python SGMLParser处理html中的javascript失当

简介:
疑似BUG: SGMLParser处理html标签中的javascript时特定情况下失当
库: Python2.4/2.5的sgmllib库
牵连库: Beautiful Soup version 3.0.5 以及3.0.3版本

举例:
html代码如下定义:
    sExceptionHtml  =   ''' <span>出错的html标签:</span><div id='error'>
<img src="http://www.onejoo.com/daylife_media/images/articlesid/1.jpg" border="0" 
   onmouseover="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.style.cursor='hand';this.alt='Click here to open new window\nCTRL+Mouse wheel to zoom in/out';}"
   onload="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.alt='Click here to open new window\nCTRL+Mouse wheel to zoom in/out';}"
/>寒!<br /></div>
'''
这个img标签有两个属性:onload和onmouseover,里面都写的是javascript代码,并且出现了“>”判断符号。当让SGMLParser处理这种html代码时,它错误地解析了。
对于上面的html代码,会得到如下处理过后的img:
<img src=" http://www.onejoo.com/daylife_media/images/articlesid/1.jpg " border="0" onmouseover="if(this.width&gt;screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.style.cursor='hand';this.alt='Click here to open new window
CTRL+Mouse wheel to zoom in/out';}" /> screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.style.cursor='hand';this.alt='Click here to open new window
CTRL+Mouse wheel to zoom in/out';}"
   onload="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.alt='Click here to open new window
CTRL+Mouse wheel to zoom in/out';}"
/>

显然,onmouseover的东西乱掉了。很有可能就是javascript中的“this.width>screen.width*0.7”中“>”被误当作html标签的结束符处理了。
如果确实是这样,倒也可以理解,只是咱们就受累些,之前提前清除onload属性和onmouseover属性吧,省得里面的javascript干扰。
    page_content = re.sub('onload=\"\s*[^\"]*\"','',page_content)
    page_content = re.sub('onmouseover=\"\s*[^\"]*\"','',page_content)

牵连影响: 并因此影响到了 Beautiful Soup 对html的解析。

你可以测试如下代码,可以重现此问题:
# coding=utf-8
import  sys, os, urllib, re
from  sgmllib  import  SGMLParser
from  BeautifulSoup  import  BeautifulSoup

def  replaceHTMLTag(content):
    htmlextractor 
=  html2txt()
    
#  调用定义在 SGMLParser 中的 feed 方法,将 HTML 内容放入分析器中。
    htmlextractor.feed(content)
    
#  应该 close 您的分析器对象,但出于不同的原因。feed 方法不保证对传给它的全部 HTML 进行处理,
     #  它可能会对其进行缓冲处理,等待接收更多的内容。一旦没有更多的内容,应调用 close 来刷新缓冲区,并且强制所有内容被完全处理。
    htmlextractor.close()
    
#  一旦分析器被 close,分析过程也就结束了。htmlextractor.urls 中包含了在 HTML 文档中所有的链接 URL。

     return  htmlextractor.text

#  为了从 HTML 文档中提取数据,将 SGMLParser 类进行子类化,然后对想要捕捉的标记或实体定义方法。
class  html2txt(SGMLParser):
     
def   __init__ (self):
        SGMLParser.
__init__ (self)
        self._result 
=  []
        self._data_stack 
=  []

     
'''
     reset 由 SGMLParser 的 __init__ 方法来调用,也可以在创建一个分析器实例时手工来调用。
     所以如果您需要做初始化,在 reset 中去做,而不要在 __init__ 中做。
     这样当某人重用一个分析器实例时,会正确地重新初始化。
     
'''
     
def  reset(self):
         self.text 
=   ''
         self.inbody 
=  True
         SGMLParser.reset(self)
     
def  handle_data(self,text):
         
if  self.inbody:
             self.text 
+=  text
     
def  _write(self, d):
        
if  len(self._data_stack)  <   2 :
            target 
=  self._result
        
else :
            target 
=  self._data_stack[ - 1 ]
        
if  type(d)  in  (list, tuple):
            target 
+=  d
        
else :
            target.append(str(d))

     
def  start_head(self,text):
         self.inbody 
=  False
     
def  end_head(self):
         self.inbody 
=  True
     
def  _get_result(self):
        
return   "" .join(self._result).strip()

     result 
=  property(_get_result)


#  应用入口        
if   __name__   ==   ' __main__ ' :

    sExceptionHtml 
=   ''' <span>出错的html标签:</span><div id='error'>
<img src="http://www.onejoo.com/daylife_media/images/articlesid/1.jpg" border="0" 
   onmouseover="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.style.cursor='hand';this.alt='Click here to open new window\nCTRL+Mouse wheel to zoom in/out';}"
   onload="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.alt='Click here to open new window\nCTRL+Mouse wheel to zoom in/out';}"
/>寒!<br /></div>
'''
    soup 
=  BeautifulSoup(sExceptionHtml,fromEncoding = ' gbk ' )
    body_content 
=  soup.findAll( ' div ' ,attrs = { ' id '  : re.compile( " ^error " )})
    
print   ' ---------------------- '
    
print  body_content[0]
    
print   ' ---------------------- '
    
    sExceptionHtml 
=  replaceHTMLTag(sExceptionHtml).strip()
    
print   ' ---------------------- '
    
print  sExceptionHtml
    
print   ' ----------------------- '
    


结论:不是什么严重问题。只是当html代码中在标签的属性中写javascript时,需要注意到此种特性,如果出现“>”符号,就会导致SGMLParser以及使用SGMLParser的其他库解析失当。zhengyun 20080115

目录
相关文章
|
5天前
|
测试技术 开发者 Python
Python单元测试入门:3个核心断言方法,帮你快速定位代码bug
本文介绍Python单元测试基础,详解`unittest`框架中的三大核心断言方法:`assertEqual`验证值相等,`assertTrue`和`assertFalse`判断条件真假。通过实例演示其用法,帮助开发者自动化检测代码逻辑,提升测试效率与可靠性。
53 1
|
5月前
|
JavaScript 前端开发 Java
通义灵码 Rules 库合集来了,覆盖Java、TypeScript、Python、Go、JavaScript 等
通义灵码新上的外挂 Project Rules 获得了开发者的一致好评:最小成本适配我的开发风格、相当把团队经验沉淀下来,是个很好功能……
1147 103
|
3月前
|
移动开发 前端开发 JavaScript
征信报告修改器,征信报告生成器,制作软件无痕修改软件【js+html+css】
本项目为信用评分模拟器教学工具,采用HTML5实现,仅供学习参考。核心功能通过JavaScript构建,包含虚拟数据生成、权重分配及信用因素分析(如还款记录、信用使用率等)。
|
3月前
|
存储 自然语言处理 前端开发
抖音快手小红书虚拟评论截图生成器,模拟对话制作工具,html+js+css
这是一款纯前端实现的多平台虚拟评论生成器,支持抖音、快手、小红书风格,适用于产品演示与UI设计。采用Vanilla JS与Flexbox布局,利用IndexedDB存储数据,CSS Variables切换主题。
|
3月前
|
前端开发 JavaScript
个人征信电子版无痕修改, 个人信用报告pdf修改,js+html+css即可实现【仅供学习用途】
本代码展示了一个信用知识学习系统的前端实现,包含评分计算、因素分析和建议生成功能。所有数据均为模拟生成
|
10天前
|
JavaScript 前端开发 安全
【逆向】Python 调用 JS 代码实战:使用 pyexecjs 与 Node.js 无缝衔接
本文介绍了如何使用 Python 的轻量级库 `pyexecjs` 调用 JavaScript 代码,并结合 Node.js 实现完整的执行流程。内容涵盖环境搭建、基本使用、常见问题解决方案及爬虫逆向分析中的实战技巧,帮助开发者在 Python 中高效处理 JS 逻辑。
|
2月前
|
开发框架 JavaScript 前端开发
精选HTML、JavaScript、ASP代码片段集锦
这些代码片段代表了HTML, JavaScript和ASP的基本应用,可被集成到更复杂的项目中。它们注重实用性,并且易于理解,旨在帮助开发者快速开始项目构建或进行学习。尽管ASP不如其他服务器端技术(如Node.js, PHP, Ruby等)现代,但它在遗留系统中仍非常普遍,了解基础仍具有价值。
128 14
|
4月前
|
Web App开发 数据采集 JavaScript
动态网页爬取:Python如何获取JS加载的数据?
动态网页爬取:Python如何获取JS加载的数据?
872 58
|
3月前
|
存储 前端开发 安全
病历单生成器在线制作,病历单生成器app,HTML+CSS+JS恶搞工具
本项目为医疗病历模拟生成器,旨在为医学教学和软件开发测试提供数据支持,严格遵守《医疗机构病历管理规定》。
|
3月前
|
前端开发 容器
处方单图片生成器, 处方单在线制作免费,js+css+html恶搞神器
这是一个电子处方模拟生成系统,使用html2canvas库实现图片导出功能。系统生成的处方单包含多重防伪标识,并明确标注为模拟数据,仅供学习

推荐镜像

更多