Question

有没有办法使用lxml.html删除/转义html标签而不是具有一些xss问题的beautifulsoup？我尝试使用清洁，但我想删除所有的HTML。

Answer 1

我相信，这段代码可以帮到你：

from lxml.html.clean import Cleaner

html_text = "<html><head><title>Hello</title><body>Text</body></html>"
cleaner = Cleaner(allow_tags=[''], remove_unknown_tags=False)
cleaned_text = cleaner.clean_html(html_text)

Answer 2

在元素上尝试使用.text_content()方法，最好在使用lxml.html.clean之后删除不需要的内容（脚本标记等）。例如：

from lxml import html
from lxml.html.clean import clean_html

tree = html.parse('http://www.example.com')
tree = clean_html(tree)

text = tree.getroot().text_content()

Answer 3

这使用了lxml的清洗功能，但避免了将结果包装在HTML元素中。

import lxml

doc = lxml.html.document_fromstring(str) 
cleaner = lxml.html.clean.Cleaner(allow_tags=[''], remove_unknown_tags=False)
str = cleaner.clean_html(doc).text_content()

或作为一个班轮

lxml.html.clean.Cleaner(allow_tags=[''], remove_unknown_tags=False).clean_html(lxml.html.document_fromstring(str)).text_content()

通过将html手动解析为文档对象并将其提供给清洁器类来工作。这样clean_html也会返回一个对象而不是字符串。然后可以使用text_content（）方法在没有包装元素的情况下恢复文本。

删除python中的所有html？

3 个答案: