Question

我使用lxml来清理html数据，但在某些情况下，lxml也会删除有效标记。它会删除具有有效主机但以双斜杠（//）

开头的iframe标记

代码示例：

>>> cleaner = Cleaner(host_whitelist=['www.youtube.com'])
>>> iframe = '<iframe src="//www.youtube.com/embed/S2S5I5GHkDQ"></iframe>'
>>> cleaner.clean_html(iframe)
'<div></div>'

但是对于普通网址（没有双斜线），它可以正常工作

>>> cleaner = Cleaner(host_whitelist=['www.youtube.com'])
>>> iframe = '<iframe src="https://www.youtube.com/embed/S2S5I5GHkDQ"></iframe>'
>>> cleaner.clean_html(iframe)
'<iframe src="https://www.youtube.com/embed/S2S5I5GHkDQ"></iframe>'

我需要做些什么，让lxml了解它的有效网址？

感谢。

Answer 1

如果您查看Cleaner（http://lxml.de/3.4/api/lxml.html.clean.Cleaner-class.html）的文档，则默认情况下这些参数设置为True：

embedded:
    Removes any embedded objects (flash, iframes)
frames:
    Removes any frame-related tags

所以我的第一直觉就是尝试cleaner = Cleaner(host_whitelist=['www.youtube.com'], embedded=False)

lxml删除双斜杠iframe

1 个答案: