使用Python Selenium提取符合指定上传日期条件的主文档PDF链接

开发者阿泽

2026-4-14

我来帮你搞定这个问题！你的需求是从表格里筛选出上传日期为1.5.2025的条目，然后提取对应的主文档PDF链接对吧？咱们先看看现有代码的小问题，再一步步修正出高效的解决方案。

首先，你当前代码里的tr_elements定义有问题：你写了列表推导式[tbody.find_elements(By.TAG_NAME,"tr") for tbody in tbodies]，但前面只获取了一个tbody变量，并没有tbodies这个集合，这会导致得到一个嵌套列表，后续循环处理肯定乱套。咱们先把这步改对。

接下来，核心逻辑应该是先判断每行的上传日期是否符合要求，符合条件再提取对应PDF链接，而且为了精准性，咱们可以通过a标签的title属性来定位主文档链接（毕竟它的title明确写着"Open main document as PDF"），比单纯靠单元格位置更可靠，避免表格结构微调导致出错。

下面是修正后的完整代码，每一步我都加了注释：

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
from selenium.common.exceptions import NoSuchElementException

PATH = "C:\\Program Files (x86)\\chromedriver.exe"
cService = webdriver.ChromeService(executable_path=PATH)
driver = webdriver.Chrome(service=cService)
href_links = []
target_date = "1.5.2025"

driver.get("https://mydata.com")

# 显式等待表格加载完成，避免页面未加载完全就操作元素
WebDriverWait(driver, 10).until(
    EC.presence_of_element_located((By.CLASS_NAME, "DetailTable"))
)

table = driver.find_element(By.CLASS_NAME, "DetailTable")
tbody = table.find_element(By.TAG_NAME, "tbody")
# 直接获取所有表格行，不需要嵌套列表
tr_elements = tbody.find_elements(By.TAG_NAME, "tr")

for tr in tr_elements:
    try:
        # 获取上传日期单元格：表格里第二个<td>（索引从0开始）
        date_cell = tr.find_elements(By.TAG_NAME, "td")[1]
        upload_date = date_cell.text.strip()  # 去除文本前后的空格/换行符

        # 判断日期是否符合目标
        if upload_date == target_date:
            # 通过title属性精准定位主文档PDF的a标签
            main_pdf_a = tr.find_element(By.CSS_SELECTOR, 'a[title="Open main document as PDF"]')
            pdf_href = main_pdf_a.get_attribute("href")
            href_links.append(pdf_href)
            print(f"已找到符合条件的PDF链接：{pdf_href}")
    except IndexError:
        print("该行的单元格数量异常，跳过处理")
    except NoSuchElementException:
        print("该行未找到主文档PDF链接，跳过处理")

# 最后可以打印所有收集到的链接
print("所有符合条件的PDF链接：")
for link in href_links:
    print(link)

# 记得关闭浏览器
driver.quit()

再给你几个小提示：

用WebDriverWait显式等待代替强制等待（比如time.sleep()），能让代码更稳定，避免因为网络慢或页面加载慢导致的元素找不到问题。
用strip()处理日期文本，是因为网页里的文本可能包含多余的空格、换行符，直接比较会出错。
加上try-except块是为了处理一些异常情况，比如某行单元格数量不对，或者没有主文档链接，这样程序不会直接崩溃，而是继续处理下一行。

这样调整后，你的代码就能准确筛选出目标日期的主文档PDF链接啦！

备注：内容来源于stack exchange，提问作者weyronn12934