如何使用lxml.html.clean.Cleaner（）在Python中？

Question

我试图用lxml.html.clean.清洁剂（）。我需要去除javascript属性，但希望保留内联css样式。我认为默认设置为style=False：

import lxml.html.clean
cleaner = lxml.html.clean.Cleaner()

但是，当我调用cleaner.clean_html(doc)

^{pr2}$

会变成

<span>67.51</span>

基本上，风格没有保留下来。我试图补充：

cleaner.style= False

不会有帮助的。在

更新：我在Dreamhost上使用python2.6.6+lxml3.2.4，在本地Macbook上使用python2.7.5+lxml3.2.4。同样的结果。另一件事：在我的html中有一个与javacript相关的属性：

<td style="cursor:pointer;">Ticker</td>

lxml是否会剥离这个与javacript相关的样式而对其他样式一视同仁？希望不会。在

谢谢你的任何见解！在

Answer 1

如果设置cleaner.safe_attrs_only = False，则可以使用。在

“安全”属性集（^{}）在lxml.html.defs模块（source code）中定义，style不包含在该集合中。在

但比cleaner.safe_attrs_only = False更好的是使用Cleaner(safe_attrs=lxml.html.defs.safe_attrs | set(['style']))。这将保留style，同时防止其他不安全属性。在

演示代码：

from lxml import html
from lxml.html import clean

s ='<marquee><span style="color: #008800;">67.51</span></marquee>'
doc = html.fromstring(s)
cleaner = clean.Cleaner(safe_attrs=html.defs.safe_attrs | set(['style']))

print html.tostring(cleaner.clean_html(doc))

输出：

^{pr2}$