从 HTML 标记中删除某些属性答案

【问题标题】：remove certain attributes from HTML tags从 HTML 标记中删除某些属性
【发布时间】：2011-11-20 04:25:06
【问题描述】：

如何从 HTML 代码中删除某些属性，例如 id、样式、类等？

我以为我可以使用lxml.html.clean module，但事实证明我只能使用Clean(style=True).clean_html(code) 删除样式属性。我不想对这个任务使用正则表达式（属性可能会改变）。

我想要什么：

from lxml.html.clean import Cleaner

code = '<tr id="ctl00_Content_AdManagementPreview_DetailView_divNova" class="Extended" style="display: none;">'

cleaner = Cleaner(style=True, id=True, class=True)
cleaned = cleaner.clean_html(code)

print cleaned
'<tr>'

提前致谢！

【问题讨论】：

标签： python html-parsing beautifulsoup lxml

【解决方案1】：

cleaner.Cleaner.__call__ 有一个safe_attrs_only 参数。当设置为True 时，仅保留clean.defs.safe_attrs 中的属性。您可以通过更改clean.defs.safe_attrs 来删除任何或所有属性。请务必在完成后将其改回。

import lxml.html.clean as clean

code = '<tr id="ctl00_Content_AdManagementPreview_DetailView_divNova" class="Extended" style="display: none;">'

safe_attrs = clean.defs.safe_attrs
cleaner = clean.Cleaner(safe_attrs_only=True, safe_attrs=frozenset())
cleansed = cleaner.clean_html(code)

print(cleansed)

产量

<tr></tr>

【讨论】：

谢谢，这正是我需要的！
我无法让这种技术在 lxml-3.2.3 中工作。碰巧知道他们是否改变了什么？
为了让它在 v3.2.3 中工作，我必须在 cleaner = clean.Cleaner(...) 之后添加 cleaner.safe_attrs = clean.defs.safe_attrs。
@Xavi：感谢您提供的信息。这是个好消息。事实证明，clean.Cleaner 现在（至少从 3.2.0 版开始）每个实例都有一个 safe_attrs 属性，因此不再需要旧的模块操作解决方法。更好的是，safe_attrs 可以在实例化时设置。
啊，我明白了。这是个好消息。谢谢。