我正在使用 BeautifulSoup 进行一些 HTML 清理。Python 和 BeautifulSoup 的新手。根据我在 Stackoverflow 其他地方找到的答案，我已经正确删除了标签，如下所示：
[s.extract() for s in soup('script')]
但是如何删除内联样式？例如以下：
<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类、id、名称和样式属性？
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，我希望找到一种在 BeautifulSoup 中完成这一切的方法。
如果您只想将其全部删除，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extract()返回标签。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 文档中找到有关 API 的更多详细信息，其中包含许多示例。
我不会这样做BeautifulSoup——你会花费大量时间尝试、测试和解决边缘情况。
Bleach这正是为你做的。 http://pypi.python.org/pypi/bleach
如果您要在 中执行此操作BeautifulSoup，我建议您像这样Bleach做一样采用“白名单”方法。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。
这是我对 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，所有属性都会被删除。
基于 jmk 的功能，我使用此功能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"])
lxml 的 Cleaner 呢？
from lxml.html.clean import Cleaner
content_without_styles = Cleaner(style=True).clean_html(content)
不完美但简短：
' '.join([el.text for tag in soup for el in tag.findAllNext(whitelist)]);