lxml刪除雙斜槓iframe

Question

我使用lxml來清理html數據，但在某些情況下，lxml也刪除了有效標記。它刪除具有有效的主機的iframe標籤，但雙斜槓（//）

代碼示例啓動：

>>> cleaner = Cleaner(host_whitelist=['www.youtube.com']) 
>>> iframe = '<iframe src="//www.youtube.com/embed/S2S5I5GHkDQ"></iframe>' 
>>> cleaner.clean_html(iframe) 
'<div></div>' 

但是對於普通的URL（不含雙斜線），它工作正常

>>> cleaner = Cleaner(host_whitelist=['www.youtube.com']) 
>>> iframe = '<iframe src="https://www.youtube.com/embed/S2S5I5GHkDQ"></iframe>' 
>>> cleaner.clean_html(iframe) 
'<iframe src="https://www.youtube.com/embed/S2S5I5GHkDQ"></iframe>' 

我需要做什麼，使lxml瞭解它是有效的URL？

感謝。

Answer 1

如果你看一下文檔的清潔（http://lxml.de/3.4/api/lxml.html.clean.Cleaner-class.html），它似乎在默認情況下，這些參數被設置爲True：

embedded: 
    Removes any embedded objects (flash, iframes) 
frames: 
    Removes any frame-related tags 

所以，我的第一本能會嘗試cleaner = Cleaner(host_whitelist=['www.youtube.com'], embedded=False)