本文详解如何在 Python 中结合 Selenium 定位 HTML 表格行，根据上传日期（如 "1.5.2025"）动态筛选并提取对应主文档 PDF 的 href 属性值，避免无效遍历，提升爬取鲁棒性与可维护性。
本文详解如何在 python 中结合 selenium 定位 html 表格行，根据上传日期（如 "1.5.2025"）动态筛选并提取对应主文档 pdf 的 `href` 属性值，避免无效遍历，提升爬取鲁棒性与可维护性。
在自动化下载网页 PDF 文件的场景中，单纯遍历所有 <a></a> 标签极易引入噪声（如附件链接、无效链接或非目标行），而基于结构化表格（如 <table class="DetailTable">）按行校验业务条件（如“上传日期”字段匹配），才是稳定可靠的做法。<p>以下为优化后的完整实现方案，已修正原代码中的关键问题（如误用未定义变量 <code>tbodies、嵌套列表推导导致维度混乱、未提取 href 值等）：
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
# 初始化 WebDriver（推荐使用上下文管理或显式 quit）
PATH = r"C:\Program Files (x86)\chromedriver.exe"
driver = webdriver.Chrome(service=webdriver.ChromeService(executable_path=PATH))
wait = WebDriverWait(driver, 10) # 显式等待，增强稳定性
try:
driver.get("https://mydata.com")
# 等待表格加载完成，避免因渲染延迟导致元素找不到
table = wait.until(EC.presence_of_element_located((By.CLASS_NAME, "DetailTable")))
tbody = table.find_element(By.TAG_NAME, "tbody")
# 直接获取所有行元素（修正：原代码中 tr_elements = [...] 使用了未定义的 tbodies）
tr_elements = tbody.find_elements(By.TAG_NAME, "tr")
target_date = "1.5.2025"
pdf_links = []
for row in tr_elements:
try:
# 定位第2列（索引为1）：上传日期所在 <td>
date_td = row.find_elements(By.TAG_NAME, "td")[1]
# 获取 <span> 内文本并清理空格与换行
date_text = date_td.find_element(By.TAG_NAME, "span").text.strip()
if date_text == target_date:
# 定位第6列（索引为5）：主文档 PDF 链接所在 <td>
pdf_td = row.find_elements(By.TAG_NAME, "td")[5]
# 进入 <center> → <a>，获取 href 属性
pdf_link_elem = pdf_td.find_element(By.TAG_NAME, "a")
href = pdf_link_elem.get_attribute("href")
if href: # 确保链接非空
pdf_links.append(href)
except (IndexError, NoSuchElementException):
# 跳过结构异常的行（如表头、空行或缺失列），提高容错性
continue
print(f"成功匹配 {len(pdf_links)} 个主文档 PDF 链接：")
for link in pdf_links:
print(link)
finally:
driver.quit() # 确保资源释放关键改进说明：
✅ 结构化定位替代暴力遍历：通过 tr_elements[1]（日期列）和 tr_elements[5]（主 PDF 列）精准锚定列位置，符合 HTML 固定结构；
✅ 显式等待（WebDriverWait）：避免因页面异步加载导致 find_element 报 NoSuchElementException；
✅ 异常处理兜底：对 IndexError（列数不足）和 NoSuchElementException（元素缺失）进行捕获，防止单行异常中断整个流程；
✅ 语义化提取：使用 .text.strip() 替代 get_attribute("innerHTML")，更安全地获取可见文本，规避 HTML 标签干扰；
✅ 资源管理规范：try/finally 确保 driver.quit() 必然执行，防止浏览器进程残留。
注意事项：
- 若表格存在分页或懒加载，请先触发翻页/滚动到底部再提取；
- 部分网站会动态生成
href（如通过 JS 拼接），此时需监听网络请求或执行click()后抓取新窗口 URL； - 生产环境建议添加 User-Agent、禁用图片加载（
chrome_options.add_argument("--blink-settings=imagesEnabled=false")）以加速解析。
掌握这种“条件驱动 + 结构定位”的思路，可轻松扩展至其他业务场景——例如同时提取“附件 PDF”（第7列）、过滤“公司名称”含特定关键词的记录，或导出为 CSV。.Selenium 的核心价值，正在于将网页视为可编程的 DOM 树，而非不可控的黑盒。
