使用 BeautifulSoup 删除所有内联样式

Posted 2023-02-23

【中文标题】使用 BeautifulSoup 删除所有内联样式

【英文标题】：Remove all inline styles using BeautifulSoup

【发布时间】：2012-10-09 04:27:59

【问题描述】：

我正在使用 BeautifulSoup 进行一些 html 清理。 Python 和 BeautifulSoup 的新手。根据我在 *** 其他地方找到的答案，我已经正确删除了如下标签：

[s.extract() for s in soup('script')]

但是如何删除内联样式呢？例如：

<p class="author" id="author_id" name="author_name" style="color:red;">Text</p>
<img class="some_image" href="somewhere.com">

应该变成：

<p>Text</p>
<img href="somewhere.com">

如何删除所有元素的内联class、id、name&style属性？

我可以找到其他类似问题的答案，我可以找到所有提到的使用 CSS 解析器来处理这个问题，而不是 BeautifulSoup，但由于任务只是删除而不是操纵属性，并且是所有标签的一揽子规则，我是希望能在 BeautifulSoup 中找到一种方法。

【参考方案1】：

如果您只想删除所有 CSS，则无需解析任何 CSS。 BeautifulSoup 提供了一种删除整个属性的方法，如下所示：

for tag in soup():
    for attribute in ["class", "id", "name", "style"]:
        del tag[attribute]

此外，如果您只想删除整个标签（及其内容），则不需要返回标签的extract()。你只需要decompose():

[tag.decompose() for tag in soup("script")]

差别不大，只是我在查看文档时发现的其他内容。您可以在BeautifulSoup documentation 中找到有关 API 的更多详细信息，其中包含许多示例。

【讨论】：

我使用 extract() 以防我决定在任何时候生成已删除代码的列表，但 decompose() 也适用于完全删除和销毁标签和内容。感谢您的属性删除 sn-p，就像一个魅力！

有道理。我会把关于decompose() 的注释留给任何可能偶然发现的人。

【参考方案2】：

我不会在 BeautifulSoup 中这样做 - 你会花费大量时间尝试、测试和解决边缘情况。

Bleach 正是为您做这件事。 http://pypi.python.org/pypi/bleach

如果您要在 BeautifulSoup 中执行此操作，我建议您使用“白名单”方法，就像 Bleach 一样。确定哪些标签可能具有哪些属性，并删除每个不匹配的标签/属性。

【讨论】：

酷，我不知道漂白剂。我没有考虑用例，但如果目标是清理不受信任的 HTML，那么这绝对是一种更好的方法。你得到我的支持！

漂白剂非常棒。我真的很喜欢。

【参考方案3】：

这是我针对 Python3 和 BeautifulSoup4 的解决方案：

def remove_attrs(soup, whitelist=tuple()):
    for tag in soup.findAll(True):
        for attr in [attr for attr in tag.attrs if attr not in whitelist]:
            del tag[attr]
    return soup

它支持应保留的属性白名单。 :) 如果没有提供白名单，则所有属性都将被删除。

【参考方案4】：

基于jmk的功能，我使用这个功能来删除基于白名单的属性：

在 python2、BeautifulSoup3 中工作

def clean(tag,whitelist=[]):
    tag.attrs = None
    for e in tag.findAll(True):
        for attribute in e.attrs:
            if attribute[0] not in whitelist:
                del e[attribute[0]]
        #e.attrs = None     #delte all attributes
    return tag

#example to keep only title and href
clean(soup,["title","href"])

【讨论】：

您不应该将可变结构作为默认函数参数值传递。如所见here.

【参考方案5】：

不完美但很短：

' '.join([el.text for tag in soup for el in tag.findAllNext(whitelist)]);

【参考方案6】：

lxml 的 Cleaner 呢？

from lxml.html.clean import Cleaner

content_without_styles = Cleaner(style=True).clean_html(content)