Supprimer toutes les Balises javascript et les balises style de html avec python et le module lxml

ci-Dessous est un exemple pour faire ce que vous voulez. Pour un document HTML, Cleaner est une meilleure solution générale au problème que d'utiliser strip_elements , parce que dans des cas comme celui-ci, vous voulez rayer plus que juste la balise <script> ; vous voulez aussi vous débarrasser de choses comme onclick=function() attributs sur d'autres tags.

#!/usr/bin/env python

import lxml
from lxml.html.clean import Cleaner

cleaner = Cleaner()
cleaner.javascript = True # This is True because we want to activate the javascript filter
cleaner.style = True      # This is True because we want to activate the styles & stylesheet filter

print "WITH JAVASCRIPT & STYLES"
print lxml.html.tostring(lxml.html.parse('http://www.google.com'))
print "WITHOUT JAVASCRIPT & STYLES"
print lxml.html.tostring(cleaner.clean_html(lxml.html.parse('http://www.google.com')))

Vous pouvez obtenir une liste des options que vous pouvez définir dans la lxml.HTML.propre.Documentation plus propre ; certains les options que vous pouvez simplement définir à True ou False (la valeur par défaut) et d'autres prennent une liste comme:

cleaner.kill_tags = ['a', 'h1']
cleaner.remove_tags = ['p']

noter que la différence entre kill vs remove:

remove_tags:
  A list of tags to remove. Only the tags will be removed, their content will get pulled up into the parent tag.
kill_tags:
  A list of tags to kill. Killing also removes the tag's content, i.e. the whole subtree, not just the tag itself.
allow_tags:
  A list of tags to include (default include all).