0

解释背景故事有点复杂 - 但有必要 - 所以需要一些耐心。

我正在尝试解析 SEC Edgar 文件（此表格 10-K，作为一个随机示例），不是针对其财务数据，而是针对文档末尾表格中包含的展品列表。每个文档在该表中都有我感兴趣的 3 个属性（展览编号、标题和 URL），但对于这个示例，我将只关注 URL。

开始查找文档中的所有 URL 很容易：

from lxml import etree
import lxml.html

for element in tree.iter('a'):
   target = element.values()[0]

但是由于该文档可能包含数百个 URL，其中大多数是无关紧要的，因此我必须过滤结果以查找Archives在所有 Edgar URL 中无一例外地出现的单词。所以在下一阶段，我得到了他们每个人的 xpath：

if target is not None and 'Archives' in target:      
               print(tree.getpath(element))

到目前为止一切都很好，但这就是我卡住的地方：事实证明，由于某些非常奇怪的原因，每个相关的 URL 都不是出现在一个而是两个（在某些文档中 - 最多四个！）表中，并且这些不幸的是，表格不是文档中的第一个或最后一个表格，而是随机卡在中间的某个地方。因此，例如，Exhibit 10-5 的 xpath 是：

/html/body/document/type/sequence/filename/text/div[2]/table[9]/tr[17]/td[3]/p/a

/html/body/document/type/sequence/filename/text/div[2]/table[12]/tr[17]/td[3]/p/a

所以 URL 在表 9 和表 12 中出现在完全相同的位置。显然，我不希望这个 URL 出现两次是我的最终 URL 列表，所以在我的最终搜索中我想运行

for i in tree.xpath('//table[XXX]//*/a'):
     print(i.values()[0])

在此示例中，XXX或者9或的位置在哪里。12

回到问题的标题 - 我如何提取表的索引号，以便我可以为我的tree.xpath()表达式选择更高（或更低）的索引号？或者，有没有办法停止getpath表 9 的搜索？

4

0 回答 0