Python: Selector de CSS para usar en el interior lxml.cssselect

Question

Estoy tratando de analizar la figura a continuación código html usando lxml.html y usando en lugar de CSSSelectorXPath.

link = doc.cssselect('html body div.results dl dt a) 

el código de arriba me está dando content-1 y content-2 como salida pero mi salida deseada es link 1 link 2. Así que reemplacé mi código con

link = doc.cssselect('html body div.results dl dt a[href]') 

pero todavía obtengo el mismo resultado. Entonces mi pregunta es cuál es el selector de CSS adecuado para obtener el atributo href.

   <div class = "results"> 
        <div> some tags here </div> 
         <dl> 
           <dt title = "My Title 1" style = "background: transparent url('/img/accept.png') no-repeat right center"> 
           <a href = "/link 1"> content-1</a> 
           </dt> 
         </dl> 

         <dl> 
          <dt title = "My Title 2" style = "background: transparent url('/img/accept.png') no-repeat right center"> 
          <a href = "/link 2">content-2</a> 
          </dt> 
        </dl> 
      </div> 

Answer 1

Yo creo no se puede obtener el valor del atributo a través de selectores CSS. Usted debe obtener los elementos ...

>>> elements = doc.cssselect('div.results dl dt a') 

... y luego obtener los atributos de ellos:

>>> for element in elements: 
...  print element.get('href') 
... 
/link 1 
/link 2 

Por supuesto, las listas por comprensión son sus amigos:

>>> [element.get('href') for element in elements] 
['/link 1', '/link 2'] 

Desde no puede actualizar las propiedades de los atributos en CSS, creo que no tiene sentido conseguirlos a través de los selectores de CSS. Puede "mencionar" los atributos en los selectores de CSS para recuperarlos solo para que coincidan con sus elementos. Sin embargo, es solo una reflexión y puedo estar equivocado; si lo estoy, por favor, que alguien me corrija :) Bueno, @Tim Diggs confirma mi hipótesis a continuación :)

EDIT: Ahora puede hacerlo usando pseudo-selectores por ejemplo:

doc.cssselect('div.results dl dt a::attr('href')') 

Esto devolverá el atributo href de cada enlace.

Answer 2

Es necesario obtener el atributo en el resultado de cssselect (siempre devuelve el elemento, no un atributo):

primer lugar, no estoy seguro acerca de doc.cssselect (pero tal vez esto es su propia función ?)

lxml.cssselect se utiliza normalmente:

from lxml.cssselect import CSSSelector 
sel = CSSSelector('html body div.results dl dt a[href]') 

entonces, suponiendo que ya tienes un documento

links = [] 
for a_href in sel(doc): 
    links.append(a_href.get('href')) 

o la más sucinta:

links = [a_href.get('href') for a_href in doc.cssselect('html body div.results dl dt a[href]')] 

Answer 3

que han utilizado con éxito

#element-id ::attr(value) 

Para obtener el atributo "valor" para los elementos HTML.

Answer 4

lxml cssselector trabaja con la selección de atributos. A continuación, el código puede seleccionar el atributo src del elemento script HTML.

select = cssselect.CSSSelector("script[src]") 
    links = [ el.get('src') for el in select(dochtml) ] 
    links=iter(links) 
    for n, l in enumerate(links): 
     print n, l