刪除<style>的內容...</style>使用html5lib或漂白劑的標籤

Question

我一直在使用優秀的bleach庫去除壞HTML。

我有已經從Microsoft Word中粘貼HTML文檔中的負載，並且包含了諸如：

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

使用漂白劑（與style標籤隱含不允許），給我留下了：

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

這是沒有用的。漂白似乎只有選擇：

• Escape tags;
• 刪除標籤（但不包括它們的內容）。

我正在尋找第三個選項 - 刪除標籤及其內容。

有什麼辦法可以使用漂白劑或html5lib來完全去除style標籤及其內容？ documentation for html5lib並不是很有幫助。

Answer 1

原來lxml是這個任務的一個更好的工具：

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)