Question

我想从字符串中删除所有html标记，除了我指定的一些。如果我使用默认值调用构造函数，一切正常：

>>> cleaner = lxml.html.clean.Cleaner()
>>> cleaner.clean_html('''<i>italic</i><script>alert('');</script>''')
'<span><i>italic</i></span>'

但是当我尝试指定一些标签时，事情就不再起作用了：

>>> allowed_tags = ['i','s']
>>> cleaner = lxml.html.clean.Cleaner(remove_unknown_tags=False,allow_tags=allowed_tags)
>>> cleaner.clean_html('''<i>italic</i><s>strike</s>''')
'<span></span>'

那么我做错了什么？

Answer 1

要解决此问题，您可以将span和div代码添加到allowed_tags。

<强> UPD

lxml.html.Cleaner tries to convert字符串到html树通过调用fromstring来检查文档是否有某个根节点，并在必要时添加它。所以你需要允许span and div tags

Answer 2

这似乎是一个错误。我在lxml==2.3.3版本中没有看到它：

>>> from lxml.html import clean
>>> clean.clean_html('''<i>italic</i><script>alert('');</script>''')
'<span><i>italic</i></span>'
>>> c = clean.Cleaner(allow_tags='is', remove_unknown_tags=False)
>>> c.clean_html('''<i>italic</i><s>strike</s>''')
'<div><i>italic</i><s>strike</s></div>'

剥离html标记 - lxml.html.clean.clean_html无法按预期工作

2 个答案: