如何在 Python 中使用 lxml.html.clean.Cleaner() 保留内联 CSS 样式？

Question

我正在尝试使用 lxml.html.clean.Cleaner() 清理 HTML 表。我需要去除 JavaScript 属性，但想保留内联 CSS 样式。我认为 style=False 是默认设置：

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

但是当我打电话给cleaner.clean_html(doc)

<span style="color:#008800;">67.51</span>

会变成

<span>67.51</span>

基本上，不会保留样式。我尝试添加：

cleaner.style= False

没用。

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：

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

会不会是 lxml 剥离了这种与 JavaScript 相关的样式并以相同的方式对待其他样式？我希望不会。

Answer 1

如果你设置cleaner.safe_attrs_only = False就可以了。

“安全”属性集 (Cleaner.safe_attrs) 在 lxml.html.defs 模块 (source code) 中定义，style 不包含在该集中。

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的属性。

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：

<div><span style="color: #008800;">67.51</span></div>