collective.soupstrainer 2.2

collective.soupstrainer

通常需要从某些来源清理HTML，无论是用户输入还是通过抓取收集的数据，都需要进行清理。使用 collective.soupstrainer 中的 SoupStrainer 类可以使这个过程变得简单。它使用 beautifulsoup4 来解析和清理HTML。该类的构造函数接受四个参数。

排除项

这是一个包含两个元素的元组列表。第一个元素是标签名称列表，第二个元素是属性列表。如果属性列表为空，则第一个列表中的每个标签将从传入的HTML中完全删除。如果标签列表为空，则将完全删除列出的每个属性。如果同时列出了标签和属性，则仅从匹配的标签中删除属性。

style_whitelist

这是允许在 'style' 属性中使用的CSS样式白名单。所有其他样式都将被删除。

class_blacklist

这是CSS类的黑名单。将从 'class' 属性中删除每个匹配的类。

parser

这是当strainer用字符串调用时 beautifulsoup4 使用的解析器。它必须是 beautifulsoup4 的已安装解析器，默认为 html.parser

SoupStrainer 类的实例可以直接使用一个参数调用。该参数可以是字符串，在这种情况下，它将内部由 beautifulsoup4 解析，结果将是 unicode（或 Python 3 中的字符串），或者它可以是 beautifulsoup4 创建的解析的HTML树，在这种情况下，它将在原地修改并返回。

变更日志