使用 lxml.html 的 CSS 选择器提取教程

lxml.html CSS选择器提取教程

原创

于 2025-08-02 21:22:45 发布 · 845 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#html #css #前端 #python爬虫提取 #网页字段爬取工具

本文介绍如何使用 Python 中的 lxml.html 库配合 CSS 选择器对 HTML 页面进行信息提取。适用于网页爬虫、内容筛选、结构化数据抓取等场景。

7. 属性值前缀/后缀/包含选择器（^=、$=、*=）

安装库：

pip install lxml cssselect

1. 标签选择器：按标签提取

选中页面中所有指定标签的元素，例如 <h1>、<p>、<div> 等。

HTML 示例：

<h1>欢迎来到我的网站</h1>

python提取代码：

from lxml import html

doc = html.fromstring('<h1>欢迎来到我的网站</h1>')
print(doc.cssselect('h1')[0].text)  # 输出: 欢迎来到我的网站

2. 类选择器（Class）

选择拥有某个 class 的元素。常用于提取有标识样式的段落、标题等内容。

HTML 示例：

<p class="intro">这是介绍段落</p>

python提取代码：

doc = html.fromstring('<p class="intro">这是介绍段落</p>')
print(doc.cssselect('p.intro')[0].text)  # 输出: 这是介绍段落

3. ID 选择器（#id）

选择具有唯一 id 的元素，适用于提取页面中唯一结构，如“导航栏”、“主要内容区”。

HTML 示例：

<div id="main">主要内容</div>

python提取代码：

doc = html.fromstring('<div id="main">主要内容</div>')
print(doc.cssselect('#main')[0].text)  # 输出: 主要内容

4. 子元素选择器（>）

选择某元素的直接子元素，常用于层级明确的结构提取。

HTML 示例：

<div class="box">
  <p>直接子元素</p>
  <span><p>嵌套段落</p></span>
</div>

python提取代码：

doc = html.fromstring('''
<div class="box">
  <p>直接子元素</p>
  <span><p>嵌套段落</p></span>
</div>
''')
print(doc.cssselect('div.box > p')[0].text)  # 输出: 直接子元素

5. 后代选择器（空格）

选择某元素内

最低0.47元/天解锁文章