我正在尝试使用lxml.html.clean.Cleaner()清理html表.我需要去掉javascript属性,但是想保留内联css样式.我认为style = False是默认设置:
import lxml.html.clean cleaner = lxml.html.clean.Cleaner()
但是,当我打电话的时候 cleaner.clean_html(doc)
67.51
会变成
67.51
基本上,风格不会保留.我试着添加:
cleaner.style= False
它无济于事.
更新:我在Dreamhost上使用Python 2.6.6 + lxml 3.2.4,在本地Macbook上使用Python 2.7.5 + lxml 3.2.4.结果相同.另一件事:我的html中有一个与javacript相关的属性:
Ticker
是不是lxml剥离了这个javacript相关的风格,并对待其他风格相同?希望不是.
感谢您的任何见解!
如果你设置它是有效的cleaner.safe_attrs_only = False
.
"安全"属性集(Cleaner.safe_attrs
)在lxml.html.defs
模块(源代码)中定义,style
不包含在集合中.
但比cleaner.safe_attrs_only = False
使用更好Cleaner(safe_attrs=lxml.html.defs.safe_attrs | set(['style']))
.这将保留style
并同时保护其他不安全的属性.
演示代码:
from lxml import html from lxml.html import clean s ='<marquee><span >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:
<div><span >67.51</span></div>