使用html5lib或bleach删除<style> ... </ style>标记的内容

Question

我一直在使用优秀的漂白库来删除错误的HTML.

我有一堆HTML文档已经从Microsoft Word粘贴,包含以下内容:

<STYLE> st1:*{behavior:url(#ieooui) } </STYLE>

使用漂白(style隐藏不允许标记),让我:

st1:*{behavior:url(#ieooui) }

哪个没用.Bleach似乎只有以下选项:

• 逃生标签;
• 删除标签(但不删除其内容).

我正在寻找第三种选择 - 删除标签及其内容.

有没有办法使用漂白或html5lib来完全删除style标签及其内容？html5lib的文档并没有太大帮助.

Answer 1

事实证明这lxml是一个更好的工具来完成这项任务:

from lxml.html.clean import Cleaner

def clean_word_text(text):
    # The only thing I need Cleaner for is to clear out the contents of
    # <style>...</style> tags
    cleaner = Cleaner(style=True)
    return cleaner.clean_html(text)