HTML 清洗规则清单:从采集稿到可发布稿
采集入库的 HTML 不能直接渲染:里面可能有脚本、iframe、事件属性,也可能有大量与正文无关的推广块。清洗应当在入库时完成,而不是在展示时临时过滤。
标签白名单
保留段落、标题、列表、引用、代码块、表格和图片,其余标签一律剥离。剥离时保留标签内的文本,避免整段内容消失。
属性白名单
只保留链接的 href 与图片的 src、alt、title。所有 on* 事件属性、style 内联样式、class 都去掉,防止样式污染与脚本执行。
链接协议校验
只允许 http、https 和站内相对路径。javascript:、data: 这类协议直接替换为空链接。
噪声块清理
常见噪声包括「关注我们」「相关推荐」「版权声明」。可以按 class/id 关键词匹配删除,也可以按文本长度与链接密度判断。阈值需要根据实际来源调,不宜一刀切。