使用lxml.html的cssselect选择ID属性中带有冒号的元素

Question

我在一个页面上有一个元素，看起来是这样的：

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

如果你执行 document.cssselect("#cid-694094:Comment:188384")，你会得到：

lxml.cssselect.ExpressionError: 伪类 Symbol(u'Comment', 12) 是未知的

解决这个问题的方法可以在 这个问题 中找到（那个人使用的是Java）。

但是，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' 编解码器无法解码字节 0x5c 在位置 10: \ 在字符串末尾 [Token(u'#', 0)] -> None

这个错误的原因和一个建议的解决方案可以在 这个问题 中找到。如果我理解得没错，我应该这样做：

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

但是这仍然不行。相反，我再次得到了：

lxml.cssselect.ExpressionError: 伪类 Symbol(u'Comment\', 14) 是未知的

有没有人能告诉我我哪里做错了？

你可以自己试试：

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

: 通常在 ID 选择器中是不允许使用的，确实有正确的方法来处理它：

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

不过，直到最近，选择器解析器的功能真的很糟糕。（它实际上并没有正确实现反斜杠转义。）我在 cssselect 0.7 中修复了这个问题，现在它已经成为一个独立的项目，从 lxml 中提取出来。

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

现在使用它的方法稍微复杂一些：

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

lxml 2.4（还没有发布）将会使用新的 cssselect，这样更简单的语法也能正常工作。

Answer 2

难道在CSS中，:这个符号不可以用在ID或类名里吗？你可以查看这个链接了解更多信息：CSS类名中允许使用的字符

不过，这里有个解决办法：

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