Strip html 标签 - lxml.html.clean.clean_html 无法按预期工作

Question

我想从字符串中剥离所有html标记，除了我指定的一些标记。如果我用默认值调用构造函数，一切都很好：

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

但当我试图指定一些标签时，事情就不起作用了：

>>> 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

作为一种变通方法，您可以将span和div标记添加到allowed_tags中。

UPD

lxml.html.Cleaner试图通过调用fromstring将字符串转换为html树，该函数检查文档是否有根节点，并在必要时添加它。因此，您需要允许span和div标记

Answer 2

这似乎是一个bug。我在lxml==2.3.3版本中看不到它：

>>> 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>'