使用 Selectolax 选择不带 class 属性的 p 标签

本文介绍了如何使用 Python 的 Selectolax 库选择 HTML 中不带 class 属性的

标签及其子元素。重点讲解了使用 css() 方法配合 :not([class]) 选择器来定位目标元素，并提供示例代码演示了如何提取所需文本内容。同时，建议使用 Lexbor 作为 Selectolax 的后端，以获得更好的性能和维护性。

Selectolax 是一个快速的 HTML 解析库，它允许你使用 CSS 选择器来查找和提取 HTML 文档中的元素。当需要选择特定属性不存在的元素时，可以使用 :not([attribute]) 选择器。

选择不带 class 属性的 span 标签

假设我们有以下 HTML 代码：

    123 My Rd. 
    Suite 100
     Anywhere
    , TX
     12345

我们的目标是选择

标签（带有 class="card_street" 属性）下所有不带 class 属性的 标签。以下是如何使用 Selectolax 实现的：

from selectolax.parser import HTMLParser

html = """

    123 My Rd. 
    Suite 100
     Anywhere
    , TX
     12345

"""

tree = HTMLParser(html)

# 选择所有不带 class 属性的 span 标签
for node in tree.css('p[class="card_street"] > span:not([class])'):
    print(node.text())

这段代码首先解析 HTML 字符串，然后使用 css() 方法和选择器 p[class="card_street"] > span:not([class]) 来选择目标 标签。> 符号表示直接子元素。:not([class]) 选择器确保我们只选择那些没有 class 属性的 标签。

提取文本内容

上面的代码会输出以下内容：

Subversion安装使用说明文档 WORD版

本文档主要讲述的是Subversion安装使用说明文档；Subversion是一个自由/开源的版本控制系统，正逐步替代CVS。Subversion的版本库可以通过网络访问，从而使用户可以在不同的电脑上进行操作。 Subversion可支持版本化的目录、真实的版本历史、原子提交、版本化的无数据、可选的网络层、一致的数据操作、高效的分支和标签操作和可修改性。希望本文档会给有需要的朋友带来帮助；感兴趣的朋友可以过来看看

下载

 Anywhere
, TX
 12345

这是因为我们迭代了所有匹配的节点，并使用 node.text() 方法提取了每个节点的文本内容。

使用 Lexbor 后端

Selectolax 默认使用 Modest 作为后端，但建议使用 Lexbor 作为后端，因为它具有更好的性能和可维护性。要使用 Lexbor，需要安装 selectolax[lexbor]：

pip install selectolax[lexbor]

然后，你可以像这样使用它：

from selectolax.lexbor import LexborHTMLParser

html = """

    123 My Rd. 
    Suite 100
     Anywhere
    , TX
     12345

"""

parser = LexborHTMLParser(html)
tree = parser.css('p[class="card_street"] span:not([class])')
result = [element.text(strip=True) for element in tree]

print(result)

这段代码的输出将是：

['Anywhere', ', TX', '12345']

这里使用了 strip=True 参数来去除文本前后的空格。

注意事项

• 确保你的 CSS 选择器准确地匹配你想要选择的元素。
• 使用 > 选择器来指定直接子元素，避免选择到不期望的元素。
• :not([attribute]) 选择器非常有用，可以用来选择缺少特定属性的元素。
• 考虑使用 Lexbor 后端以获得更好的性能。

总结

Selectolax 是一个强大的工具，可以帮助你轻松地从 HTML 文档中提取数据。通过使用 CSS 选择器和适当的技巧，你可以选择任何你需要的元素，即使它们缺少特定的属性。 结合 Lexbor 后端，可以进一步提升效率。