AntiSamy移除<script>标签后内容丢失问题求助

我来帮你拆解下这个问题，你遇到的情况大概率是未闭合的<script>标签加上AntiSamy的解析逻辑导致的，下面一步步给你分析和解决：

问题根源 #

你提供的代码里，dirtyContent的第一个<script>标签没有正确闭合：

String dirtyContent = "<script>test<script>testing";

AntiSamy的HTML解析器会把未闭合的标签判定为「后续所有内容都属于该标签的内部」，所以它会把从第一个<script>开始到结尾的全部内容都识别为脚本内容，最终一次性移除，导致返回空字符串。

另外也需要确认你的策略文件配置是否合理，如果策略对<script>标签的处理过于严格（比如连带父容器一起移除），也可能出现类似情况，但最常见的诱因还是未闭合标签的问题。

解决方案 #

1. 修正未闭合的标签

先把代码里的<script>标签正确闭合，这是最直接的修复方式：

String dirtyContent = "<script>test</script>testing"; // 将第二个<script>替换为</script>
CleanResults cr = as.scan(dirtyContent, policy);
System.out.println(cr.getCleanHTML()); // 现在应该输出预期的"testing"

2. 检查并调整策略文件配置

确保你的AntiSamy策略文件（比如默认的antisamy-slashdot.xml或自定义策略）里对<script>标签的配置是action="remove"，这个配置会移除标签及其内部内容，但保留标签外的正常文本：

<tag name="script" action="remove"/>

同时要确保策略允许保留普通文本内容，可在策略的directives部分添加相关配置：

<directives>
  <directive name="omitXmlDeclaration" value="true"/>
  <directive name="maxInputSize" value="100000"/>
  <!-- 明确允许保留文本节点 -->
  <directive name="allowTextNodes" value="true"/>
</directives>

3. 额外优化：预处理不规范HTML

如果你的输入内容经常存在不规范的HTML（比如大量未闭合标签），可以先使用HTML修复工具（如Jsoup）做预处理，把不规范标签修复后再传给AntiSamy：

// 先用Jsoup修复未闭合标签
String preprocessedHtml = Jsoup.clean(dirtyContent, Whitelist.none());
// 再传给AntiSamy扫描
CleanResults cr = as.scan(preprocessedHtml, policy);

按照上面的步骤调整后，应该就能得到你预期的"testing"输出了。

内容的提问来源于stack exchange，提问作者Gouravmoy Mohanty