Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

[Bug]: cleaned_html drops the page body when it is nested inside an unclosed <noscript>

Đang mở
  • Có gì không ổn?
#2,293 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

Chưa có ai nhận issue này.

Đánh giá

Độ khó
3/5
Thời gian dự kiến
1-2 ngày
Mức phù hợp với người mới
58/100
Loại issue
Lỗi
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
python
Lĩnh vực
backend, web-dev

Hướng nghiên cứu

Start with LXMLWebScrapingStrategy._scrap in the content scraping strategy and run the offline reproduction from the issue. Compare cleaned_html with result.html for unbalanced nested noscript tags; done means the body content remains while noscript fallback blocks are still removed. Check issue #2284 because the report says a fix is proposed there.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

crawl4ai version

0.9.4 (develop @ 86e6464); also reproduced on 0.9.0

Expected Behavior

cleaned_html keeps the page's body content. <noscript> fallback blocks are removed, as they are today.

Current Behavior

On pages that contain nested <noscript>, cleaned_html loses part or all of the body, even though result.html contains the full page.

Lazy-load plugins commonly wrap an existing noscript (typically Google Tag Manager's), so the served page contains:

<noscript><iframe ...></iframe><noscript><iframe src="https://www.googletagmanager.com/ns.html?id=..."></iframe></noscript></noscript>

The browser has scripting enabled, so it treats noscript contents as raw text and ends the element at the first </noscript>. The stray second closing tag is dropped when page.content() serializes the DOM, so the capture has more opening tags than closing ones. lxml parses with scripting disabled, so it nests the rest of the document inside the still-open <noscript>, and LXMLWebScrapingStrategy._scrap then deletes that content when it removes noscript elements.

One common source is LiteSpeed Cache's iframe lazy-load (~7M active WordPress installs), which rewrites GTM's noscript iframe this way: WordPress.org support thread.

Visible text in cleaned_html for affected pages, default configs (2026-09-24):

Page noscript open/close in capture Visible chars in cleaned_html Visible chars in result.html
https://www.comunio.es/ 5 / 4 0 ~4,000
https://halalvlees.nl/ 5 / 4 1,834 12,480
https://www.dietdoctor.com/ 63 / 54 7,846 8,171

In a random sample of 2,972 Tranco top-1M homepages (ranks 20k–1M), 6 served nested noscript, and 4 of those lost content this way.

Is this reproducible?

Yes

Inputs Causing the Bug
- URL(s): https://www.comunio.es/ , https://halalvlees.nl/
- Settings used: defaults (BrowserConfig(), CrawlerRunConfig())
- Input data: any HTML with more <noscript> opening tags than closing tags
Steps to Reproduce
1. Crawl https://www.comunio.es/ with default settings
2. Compare result.cleaned_html with result.html
3. cleaned_html has an empty body; result.html has the full page
Code snippets
# Offline repro: the shape page.content() produces for such a page
from crawl4ai.content_scraping_strategy import LXMLWebScrapingStrategy

html = """<html><head><title>Example shop</title></head><body>
<noscript><iframe src="about:blank"></iframe><noscript><iframe src="https://www.googletagmanager.com/ns.html?id=GTM-TEST"></iframe></noscript>
<div><h1>Real heading</h1><p>Real body copy.</p></div>
</body></html>"""

print(LXMLWebScrapingStrategy().scrap("https://example.com/", html).cleaned_html)
# Actual:   <html><head><title>Example shop</title></head></html>
# Expected: the <h1> and <p> are kept

# Live repro
import asyncio
from crawl4ai import AsyncWebCrawler

async def main():
    async with AsyncWebCrawler() as crawler:
        result = await crawler.arun("https://www.comunio.es/")
        print(len(result.html), repr(result.cleaned_html[-200:]))

asyncio.run(main())
OS

macOS 26.6 (arm64)

Python version

3.12.11

Browser

Chromium (Playwright headless shell)

Browser version

153.0.8010.12

Error logs & Screenshots (if applicable)

No error is raised; result.success is True and the status code is 200.

A fix is proposed in #2284.

Ngôn ngữ chính
Python
Star
84.5k
Fork
8.7k
Merge trung bình
3 ngày 9 giờ
Pull request đã merge (30 ngày)
17

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của unclecode/crawl4ai

Tất cả issue của unclecode/crawl4ai

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.