使用lxml.html的cssselect选择ID属性中带有冒号的元素

Question

我的页面中有一个如下所示的元素：

<a id="cid-694094:Comment:188384" name="694094:Comment:188384"></a>

如果您执行 document.cssselect("#cid-694094:Comment:188384") 您将得到：

lxml.cssselect.ExpressionError：伪类符号（u'Comment'，12）未知

方案在 这个问题（此人正在使用 Java）。

然而，当我在 Python 中尝试这样做时：

document.cssselect(r"#cid-694094\:Comment\:188384")

我得到：

lxml.cssselect.SelectorSyntaxError: 错误符号 'cid-694094\': 'unicodeescape' 编解码器无法解码位置 10 处的字节 0x5c: \ 在 [Token(u'#', 0)] 处字符串末尾 - >无

原因和建议的解决方案可以在 这个问题。如果我理解正确的话我应该这样做：

document.cssselect(r"#cid-694094\\:Comment\\:188384")

但这仍然不起作用。相反，我再次得到：

lxml.cssselect.ExpressionError：伪类符号（u'Comment \'，14）未知

有人能告诉我我做错了什么吗？

自己尝试使用：

import lxml.html
document = lxml.html.fromstring(
    '<a id="cid-694094:Comment:188384" name="694094:Comment:188384"></a>'
)
document.cssselect(r"#cid-694094\:Comment\:188384")

Answer 1

不是 : css 中不允许< /a> 用于 id 或 class？

这是一个解决方法：

document.xpath('//a[@id="cid-694094:Comment:188384"]')

Answer 2

ID 选择器中通常不允许 : ，这确实是转义它的正确方法：

document.cssselect(r"#cid-694094\:Comment\:188384")

但是，直到最近，选择器解析器才真正被破坏。 （它并没有真正实现反斜杠转义。）我在 cssselect 0.7 中修复了这个问题，它现在是一个独立的项目，从 lxml 中提取。

http://packages.python.org/cssselect/

使用它的“新”方式是更详细一点：

import cssselect
document.xpath(cssselect.HTMLTranslator().css_to_xpath('#cid-694094\:Comment\:188384'))

lxml 2.4（尚未发布）将使用新的 cssselect，因此更简单的语法也将起作用。