去除html标记lxml.html.clean.clean_html未按预期工作

Question

我想从一个字符串中除去除我指定的一些之外的所有html标记。 如果我使用默认值调用构造函数，则一切正常：

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

但是当我试图指定一些标记时，事情就不起作用了：

^{pr2}$

我做错什么了？在

Answer 1

作为一种解决方法，您可以将span和div标记添加到allowed_tags。在

升级版

通过调用fromstring，将lxml.html.Cleanertries to convert字符串添加到html树中，它检查文档是否有根节点，并在必要时添加它。所以你需要允许^{} and ^{} tags

Answer 2

好像是只虫子。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>'