18

问题

如何使用 python 和 lxml 从 html 中删除类属性？

例子

我有：

<p class="DumbClass">Lorem ipsum dolor sit amet, consectetur adipisicing elit</p>

我想：

<p>Lorem ipsum dolor sit amet, consectetur adipisicing elit</p>

到目前为止我尝试过的

我已经检查了lxml.html.clean.Cleaner但是，它没有去除类属性的方法。但是，您可以设置safe_attrs_only=True，这不会删除类属性。

重要的搜索没有发现任何可行的方法。class我认为在 html 和 python 中都使用的事实进一步混淆了搜索结果。许多结果似乎也严格处理 xml。

我也对提供人性化界面的其他 python 模块持开放态度。

非常感谢。

解决方案

感谢@Dan Roberts 下面的回答，我想出了以下解决方案。为将来到达这里尝试解决相同问题的人们提供。

import lxml.html

# Our html string we want to remove the class attribute from
html_string = '<p class="DumbClass">Lorem ipsum dolor sit amet, consectetur adipisicing elit</p>'

# Parse the html
html = lxml.html.fromstring(html_string)

# Print out our "Before"
print lxml.html.tostring(html)

# .xpath below gives us a list of all elements that have a class attribute
# xpath syntax explained:
# // = select all tags that match our expression regardless of location in doc
# * = match any tag
# [@class] = match all class attributes
for tag in html.xpath('//*[@class]'):
    # For each element with a class attribute, remove that class attribute
    tag.attrib.pop('class')

# Print out our "After"
print lxml.html.tostring(html)
4

3 回答 3

17

我目前无法对此进行测试，但这似乎是一般的想法

for tag in node.xpath('//*[@class]'):
    tag.attrib.pop('class')
于 2012-04-05T23:27:48.810 回答
3

lxml.html.clean.Cleaner 确实有效，但需要适当的配置。

import lxml.html
from lxml.html import clean

html_string = '<p id="test" class="DumbClass">Lorem ipsum dolor sit amet, consectetur adipisicing elit</p>'
tree = html.fromstring(html_string)

cleaner = html.clean.Cleaner()
cleaner.safe_attrs_only = True
cleaner.safe_attrs=frozenset(['id'])
cleaned = cleaner.clean_html(tree)
print(html.tostring(cleaned))

导致 ：

b'<p id="test">Lorem ipsum dolor sit amet, consectetur adipisicing elit</p>'
于 2019-11-24T15:14:03.387 回答
0

对于lxmlelment，.attrib对象包含属性的dict，您可以随意del使用。

下面只是一个简单的例子来展示如何替换 html 中的属性名称。

给定html：

<div><img src="http://www.example.com/logo.png"></div>

代码：

from lxml.html import fromstring
from lxml.html import _transform_result

html = "<div><img src=\"http://www.example.com/logo.png\"></div>"
doc = fromstring(html)
for el in doc.iter('img'):
    if "src" in el.attrib:
        el.set('data-src', el.get('src'))
        del el.attrib["src"]
print _transform_result(type(html), doc)

结果：

<div><img data-src="http://www.example.com/logo.png"></div>
于 2014-07-28T08:52:18.577 回答