Python + Selenium Web 抓取动态元素

Question

我正在尝试从SEC存档网站中提取以下信息。1）大型加速文件管理器 2）加速文件管理器 3）非加速文件管理器 4）小型报告公司 5）新兴成长型公司这是它在网站上的显示方式：Large accelerated filer     ☒       Accelerated filer           ☐Non-accelerated filer       ☐  (Do not check if a smaller reporting company)         Smaller reporting company   ☐Emerging growth company     ☐在某些情况下，一个或多个项目可能不存在。我想编写一个通用代码，可以为许多公司提取这些值。现在我面临的问题是HTML的结构正在从一个公司到另一个公司发生变化。到目前为止，我已经遇到了3种不同的结构（请参阅下面的HTML结构）。如何编写代码以跨不同结构进行泛化？<td valign="bottom">Large&nbsp;accelerated&nbsp;filer</td><td valign="bottom">&nbsp;</td><td valign="bottom">☒</td><td valign="bottom">&nbsp;&nbsp;</td><td valign="bottom">Accelerated&nbsp;filer</td><td valign="bottom">&nbsp;</td><td valign="bottom">☐</td></tr><tr style="page-break-inside:avoid ; font-family:Times New Roman; font-size:10pt"><td valign="bottom"><font style="white-space:nowrap">Non-accelerated&nbsp;filer</font></td><td valign="bottom">&nbsp;</td><td valign="bottom">☐&nbsp;&nbsp;(Do not check if a smaller reporting company)</td><td valign="bottom">&nbsp;&nbsp;</td><td valign="bottom">Smaller&nbsp;reporting&nbsp;company</td><td valign="bottom">&nbsp;</td><td valign="bottom">☐</td></tr><tr style="page-break-inside:avoid ; font-family:Times New Roman; font-size:10pt"><td valign="bottom">Emerging&nbsp;growth&nbsp;company</td><td valign="bottom">&nbsp;</td><td valign="bottom">☐</td><td valign="bottom">&nbsp;&nbsp;</td><td valign="bottom"></td><td valign="bottom">&nbsp;</td><td valign="bottom"></td></tr>另一种结构：filer&nbsp;&nbsp;<font style="FONT-FAMILY:WINGDINGS">x</font>&nbsp;&nbsp;&nbsp;&nbsp;Accelerated filer&nbsp;&nbsp;<font style="FONT-FAMILY:WINGDINGS">¨</font>&nbsp;&nbsp;&nbsp;&nbsp;Non-accelerated filer&nbsp;&nbsp;<font style="FONT-FAMILY:WINGDINGS">¨</font>&nbsp;&nbsp;&nbsp;&nbsp;Smaller reporting company&nbsp;&nbsp;<font style="FONT-FAMILY:WINGDINGS">¨</font> </font>

Answer 1

您可以尝试3个XPath的组合（|运算符）来获得您需要的东西（已勾选的项目）：

//td[.="☒"]/preceding::td[string-length(.)>1][1]/text()|//font[.="x"]/following::text()[1]|//font[.="þ"]/preceding::text()[1]

您提供的 html 格式不正确。如果它不起作用，请提供其他内容。