lxml 彻底打破 href 属性答案

【问题标题】：lxml clean breaks href attributelxml 彻底打破 href 属性
【发布时间】：2015-06-06 16:26:43
【问题描述】：

import lxml.html.clean as clean
cleaner = clean.Cleaner(style=True, remove_tags=['div','span',], safe_attrs_only=['href',])
text = cleaner.clean_html('<a href="http://жк-сочи.рф/">link</a>')
print text

打印

<a href="http://%C3%90%C2%B6%C3%90%C2%BA-%C3%91%C2%81%C3%90%C2%BE%C3%91%C2%87%C3%90%C2%B8.%C3%91%C2%80%C3%91%C2%84/">link</a>

如何获得：

<a href="http://жк-сочи.рф/">link</a>

即普通编码中的href？

【问题讨论】：

试试 lxml.html.tostring(text , encoding="ascii")

标签： lxml

【解决方案1】：

clean 做对了——括号中的字符串应该被正确编码，看似乱码的东西就是正确的编码。

您可能不知道，但不存在 kyrillic 域名 - 有一个复杂的系统可以将这些域名映射到“允许的”字符。

【讨论】：