必须移除<script>、<iframe>、<object>、<embed>、<applet>等可执行脚本或加载外部资源的标签；同时需剥离所有以on开头的事件属性及javascript:协议的href/src值，仅保留白名单标签并清除危险属性。
哪些HTML标签必须被移除？
富文本中真正危险的是能执行脚本或触发网络请求的标签，不是所有自定义标签都该删。重点盯住 <script>、<iframe>、<object>、<embed>、<applet> 这几类——它们可能加载外部资源、执行 JS 或绕过 CSP。像 <div>、<span> 本身不危险，但若保留 onerror、onclick 这类事件属性，照样能 XSS。
实际清洗时不能只看标签名，还要检查属性：javascript: 协议的 href、src 值，以及所有以 on 开头的属性（如 onload、onmouseover）都得一并剥离。
用 BeautifulSoup 的 decompose() 和 extract() 区别在哪？
decompose() 彻底删除节点及其所有子节点，DOM 中不留痕迹；extract() 只把节点从当前树中抽离，还能继续操作它（比如存日志或做审计）。对安全清洗来说，decompose() 更稳妥——避免误留引用导致后续意外渲染。
常见错误是用 clear() 或直接赋值 None，这只会清空内容，标签壳还在，属性也可能残留。
立即学习“Python免费学习笔记（深入）”；
推荐做法：
- 先用
soup.find_all(['script', 'iframe', 'object', 'embed', 'applet'])批量定位 - 对每个结果调用
.decompose() - 再统一清理事件属性：
[tag.attrs.pop(attr, None) for attr in list(tag.attrs) if attr.startswith('on')]
保留格式但过滤属性：为什么不能只用 strip=True？
strip=True 是针对字符串前后空白的，跟 HTML 标签安全完全无关。有人误以为它能“净化”，结果白忙活。真正要保留语义又控风险，得靠白名单策略。
例如允许 <p>、<strong>、<ul>、<li> 等排版标签，但强制清除它们的 style 属性（防 CSS 注入）和所有事件属性。可配合 BeautifulSoup 的 attrs 参数做精细控制：
soup = BeautifulSoup(html, 'html.parser')
for tag in soup.find_all(True): # 找所有标签
if tag.name not in ['p', 'br', 'strong', 'em', 'ul', 'ol', 'li', 'a']:
tag.decompose()
else:
for attr in ['style', 'onclick', 'onload', 'onerror'] + [a for a in tag.attrs if a.startswith('on')]:
tag.attrs.pop(attr, None)
if tag.name == 'a' and tag.get('href'):
href = tag['href'].strip()
if not href.startswith(('http://', 'https://', '/')):
tag['href'] = '#' # 非法协议一律降级
为什么不能跳过 html.parser 直接用 lxml？
lxml 解析快，但默认会自动修复破损 HTML（比如补全缺失的闭合标签），这个过程可能意外引入新结构或重排 DOM，导致清洗逻辑失效。更麻烦的是，它对某些畸形嵌套（如 <script><div></script>）的处理不如 html.parser 可预测。
安全清洗第一要义是行为可复现、结果可验证。html.parser 是 Python 标准库，无额外依赖，解析行为稳定，适合做可信清洗入口。等清洗完成、DOM 干净后，再用 lxml 做后续 XPath 提取也不迟。
另外注意：不要用 html5lib，它太“宽容”，会把明显恶意片段也当成合法 HTML 重建，反而埋雷。
