17370845950

PDF生成时应优先用DOM解析器（如BeautifulSoup、jsdom）清除标签，而非正则匹配或禁用JS，以避免解析错误、执行报错及排版错乱。

PDF生成时如何跳过 标签内容

HTML 转 PDF 工具（如 wkhtmltopdf、Puppeteer、WeasyPrint）默认会解析并执行 ，但多数场景下你只想要静态渲染——脚本逻辑不仅无用，还可能触发错误、阻塞渲染、甚至注入意外样式或 DOM。真正有效的排除方式不是“删掉脚本”，而是让它们不参与渲染流程。

• 对 Puppeteer：用 page.evaluate() 手动移除比在 HTML 里写

  

  type="text/plain" 更可靠，因为后者仍会被某些 PDF 工具误读为可执行内容
• 对 wkhtmltopdf：加 --javascript-delay 0 并配合 --no-stop-slow-scripts 只是降低影响，不能真正跳过；必须提前清理 HTML
• 关键原则：PDF 渲染发生在服务端或 CLI 环境，没有浏览器上下文，document.write、fetch、setTimeout 全部会报错或静默失败

用正则还是 DOM 解析器清理

直接用正则匹配 看似快，但极易漏掉注释内嵌脚本、CDN 地址含 、或自闭合写法（如 ）。真实项目中应优先用 DOM 解析器预处理。

from bs4 import BeautifulSoup
with open("input.html") as f:
soup = BeautifulSoup(f, "html.parser")
for script in soup.find_all("script"):
script.decompose()
with open("cleaned.html", "w") as f:
f.write(str(soup))

• BeautifulSoup（Python）和 jsdom（Node.js）能正确处理嵌套、编码、命名空间，避免正则的边界陷阱
• 若用 shell 批量处理，sed -i '/ 仅适用于格式严格、无换行、无注释的简单 HTML，生产环境慎用
• 注意：有些脚本通过 data-* 属性驱动行为（如 data-chart-config），这类需保留，仅删 标签本身

Puppeteer 中动态禁用 JS 的实际效果

page.setJavaScriptEnabled(false) 确实能阻止脚本执行，但它不会移除 标签，也不影响内联事件（如 onclick）或 CSS 中的 expression()（IE 旧语法）。更严重的是：部分 PDF 工具（如某些版本的 wkhtmltopdf）根本不支持该选项，调用后无任何效果。

• 推荐组合：先用 DOM 解析器清除所有 和 on* 属性，再用 Puppeteer 截图，双重保险
• 移除事件属性示例：soup.find_all(lambda t: t.has_attr("onclick")) → 对每个结果 del t["onclick"]
• 不要依赖 page.emulateMedia("screen") 来规避 JS —— 它只改媒体查询，不影响脚本加载

为什么 inline script 比 external 更危险

在 PDF 渲染时会抛出 ReferenceError: console is not defined，而 通常只是 404 或超时，反而不易中断流程。但 inline 脚本常含直接 DOM 操作（document.body.innerHTML = ...），一旦执行就会污染结构，导致 PDF 排版错乱。

• 检查 HTML 是否含 inline script：搜索 （单行）和 （多行）两个模式
• Webpack/Vite 构建产物中常见 ，必须清除，否则 PDF 生成会卡死或返回空白页
• 如果使用模板引擎（如 Jinja2、EJS），把脚本逻辑移到后端预计算，输出纯数据 HTML，从源头避开问题

实际排脚本不是“删代码”，是切断执行链路。最容易被忽略的一点：CSS 中的 @import url("script.js") 或 background: url("xss.svg") 也可能触发 JS 执行（尤其在老旧工具中），这类非 标签的 JS 载入路径，得靠白名单机制或资源拦截来控制。