Retirez tous les styles en ligne à l'aide de BeautifulSoup

Je suis en train de faire du code HTML de nettoyage avec BeautifulSoup. Noob de Python & BeautifulSoup. J'ai balises être enlevés correctement comme suit, basé sur une réponse que j'ai trouvé ailleurs sur Stackoverflow:

[s.extract() for s in soup('script')]

Mais comment faire pour supprimer des styles en ligne? Par exemple:

<p class="author" id="author_id" name="author_name" style="color:red;">Text</p>
<img class="some_image" href="somewhere.com">

Devrait devenir:

<p>Text</p>
<img href="somewhere.com">

Comment supprimer la ligne class, id, nom & attributs de style de tous les éléments?

Des réponses à d'autres questions similaires que j'ai pu trouver tout ce qui est mentionné à l'aide d'un parseur CSS pour gérer cela, plutôt que de BeautifulSoup, mais que la tâche est simplement de supprimer plutôt que de manipuler les attributs, et est une règle générale s'appliquant à toutes les balises, j'espérais trouver un moyen de tout faire au sein de BeautifulSoup.

OriginalL'auteur Ila | 2012-10-18

  1. 25

    Vous n'avez pas besoin d'analyser CSS si vous voulez simplement supprimer tous. BeautifulSoup fournit un moyen de supprimer la totalité des attributs comme:

    for tag in soup():
    for attribute in ["class", "id", "name", "style"]:
        del tag[attribute]

    Aussi, si vous souhaitez simplement supprimer les balises (et leur contenu), vous n'avez pas besoin extract(), qui renvoie la balise. Vous avez juste besoin decompose():

    [tag.decompose() for tag in soup("script")]

    Pas une grande différence, mais juste quelque chose d'autre que j'ai trouvé en regardant les docs. Vous pouvez trouver plus de détails sur l'API de la BeautifulSoup documentation, avec de nombreux exemples.

    J'ai été en utilisant l'extrait() dans le cas où j'ai décidé de générer une liste de code supprimé à tout moment, mais se décomposer() fonctionne aussi bien pour la suppression complète d' & détruire les balises & contenu. Merci pour l'attribut-supprimer l'extrait de code, fonctionne comme un charme!
    Du sens. Je vais laisser la remarque à propos de decompose() pour quelqu'un d'autre qui pourrait tomber sur cette.

    OriginalL'auteur jmk

  2. 9

    Je ne ferais pas cela dans BeautifulSoup - vous allez passer beaucoup de temps à essayer, tester, et de travail autour des cas limites.

    Bleach fait exactement ce pour vous. http://pypi.python.org/pypi/bleach

    Si vous étiez pour ce faire, dans BeautifulSoup, je vous suggère d'aller avec la "liste blanche", comme Bleach. Décider lequel des balises peuvent avoir des attributs, et la bande de chaque balise ou un attribut qui ne correspondent pas.

    Cool, je ne savais pas à propos de l'eau de Javel. Je n'ai pas pensé au cas d'utilisation, mais si l'objectif est d'assainir non fiables HTML, alors cela semble définitivement comme une meilleure approche. Vous obtenez ma upvote!
    L'eau de javel est assez grand. Je l'aime vraiment.

    OriginalL'auteur Jonathan Vanasco

  3. 1

    Basé sur jmk fonction, j'utilise cette fonction pour supprimer les attributs de base sur une liste blanche:

    Travail en python2, BeautifulSoup3

    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"])
    Vous ne devriez pas être en train de passer mutable structures comme les fonctions par défaut des valeurs de paramètre. Comme on le voit ici.

    OriginalL'auteur LaputaPrince

  4. 0

    Voici ma solution pour Python3 et BeautifulSoup4:

    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

    Il prend en charge une liste d'attributs qui doivent être conservés. 🙂 Si aucune liste blanche est fourni tous les attributs sont supprimés.

    OriginalL'auteur techouse