应使用 DOMParser 解析 HTML 后调用 remove() 删除 script 标签,避免正则替换;必须指定 'text/html' 模式,确保正确解析;删除后用 doc.documentElement.outerHTML 获取结果。

用 DOMParser + remove() 最简安全删除 script 标签
直接字符串替换或正则删 <script></script> 是危险的,会漏掉嵌套注释、CDATA、换行异常或自闭合变体(如 <script></script>)。DOM 解析才是唯一可靠路径。现代浏览器中,DOMParser 配合 remove() 是最轻量且语义正确的做法。
关键点:它真正移除节点及其全部子内容,不残留任何文本或事件处理器。
- 必须用
text/html模式解析,否则 script 内容可能被当成纯文本保留 -
querySelectorAll('script')返回的是实时 NodeList,可直接forEach调用remove() - 不要用
innerHTML回写——那会触发二次解析,可能复活被删的脚本 - 若需返回字符串,用
doc.body.innerHTML(前提是原始 HTML 有 body)或doc.documentElement.outerHTML
const parser = new DOMParser();
const doc = parser.parseFromString(html, 'text/html');
doc.querySelectorAll('script').forEach(el => el.remove());
return doc.documentElement.outerHTML;
PHP 后端用 DOMDocument 删除 script 更稳妥
前端 JS 方法无法防御服务端注入,真实业务中 script 清理必须在后端完成。PHP 的 DOMDocument 是成熟、可控的选择,比正则或 strip_tags() 安全得多。
注意:strip_tags() 不解析 DOM,对 <script src="x"></script> 或带事件属性的标签完全无效;而 DOMDocument 能准确识别并移除整个节点树。
- 加载时加
@抑制解析警告,避免 malformed HTML 中断流程 - 必须调用
$dom->getElementsByTagName('script')获取集合,再逆序遍历removeChild()(因HTMLCollection是实时的) - 若同时要删
style、iframe,复用同一循环,避免多次遍历 - 最后用
$dom->saveHTML()输出,别用saveXML(),否则会多出 XML 声明
$dom = new DOMDocument();
@$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$scripts = $dom->getElementsByTagName('script');
for ($i = $scripts->length - 1; $i >= 0; $i--) {
$scripts[$i]->parentNode->removeChild($scripts[$i]);
}
return $dom->saveHTML();
别碰 Sanitizer.dropElements —— 当前浏览器支持太烂
Sanitizer API 的 dropElements: ['script'] 看似简洁,但实际行为和兼容性让它完全不可用。
htmlq 是一个命令行工具,使用 CSS 选择器从 HTML 中提取内容,相当于 jq 的 HTML 版本。该工具使用 Rust 编写,允许你通过 CSS 选择器将 HTML 管道化,直接从终端提取文本、属性和结构化内容。
Chromium 123+ 才支持,且文档明确写清:“removes the element’s tags but keeps its children”。这意味着 <script>alert(1)</script> 会变成 alert(1),直接暴露在 HTML 文本中,可能被后续 JS 执行或引向 XSS。
- Firefox 和 Safari 完全不支持
Sanitizer,降级逻辑必须手写,等于没省事 - 即使 Chromium 下,
dropElements对<script type="module"></script>或带async/defer的情况无特殊处理 - 它不校验子节点是否含危险内容(比如内联
onerror),也不阻止document.write()动态插入
Python 爬虫用 w3lib.remove_tags_with_content 最省心
如果你在做数据采集,目标是拿到“干净正文”,w3lib.html.remove_tags_with_content() 是专为此设计的函数,比手动调 lxml 或 BeautifulSoup 更直接。
它不是只删标签,而是递归删除标签及其全部后代节点,包括文本、子元素、注释,不留尾巴。
- 参数
which_ones=('script', 'style', 'iframe')可一次清除多类干扰标签 - 不依赖正则,内部用 HTML 解析器,能正确处理 CDATA、注释包裹、嵌套结构
- 对编码敏感,传入 bytes 时需指定
encoding;传入 str 则默认 UTF-8 - 注意:它不处理 script 标签内的 JS 字符串转义,所以仍需防范
document.write('<script>...</script>')这类动态注入
from w3lib.html import remove_tags_with_content
clean_html = remove_tags_with_content(html, which_ones=('script', 'style'))
真正麻烦的从来不是删标签本身,而是删完之后要不要保留其文本内容、是否影响后续 DOM 构建、以及不同环境间的行为一致性。DOM 解析是底线,跨平台时优先选语言原生方案,别迷信新 API 的名字。
前端入门到VUE实战笔记:立即使用
在学习笔记中,你将探索 前端 的入门与实战技巧!










