xml - 在 Google 表格中使用 ImportXML 的 <address> 标记的 XPath

Question

我正在尝试使用 importXML 和 Google Sheets 从新闻网站中提取文章的作者姓名。 代码如下所示:

<div class="grp-content">
        <h2 class="title">
        <div class="excerpt">
        <footer class="byline">
             <address data-aurl="/author/john-smith/" data-aname="JOHN 
               SMITH"></address>

我尝试了此路径的几种变体，经常返回“导入的内容为空”:

=importxml(A2,"//div[@class='grp-content']/footer/address/@data-aname")

任何帮助都会很棒。谢谢!

Answer 1

如果你的 XPath 被修改了，怎么样？

//div[@class='grp-content']//footer//address/@data-aname

而且这也可以使用 //address/@data-aname

如果这不是您想要的结果，您能提供“A2”的URL吗？我想尝试一下。

编辑:

根据您提供的 URL，我确认了 HTML 数据。 URL基本单元的结构如下。

<div class="grp-content">
  <h2 class="title">
    <a href="### url ###" title="#####">#####</a>
  </h2>
  <div class="excerpt">
    <p>#####</p>
  </div>
  <footer class="byline">
    <address data-aurl="/author/john-smith/" data-aname="JOHN SMITH"></address>
    <time datetime="2018-12-11T12:34:56Z">11 Dec 2018, 12:34 PM PST</time>
    <a class="byC" href="### url ###" data-dsqi="1234567"></a>
  </footer>
</div>

当使用 IMPORTXML() 从上述结构中检索值时，获得以下结果。

成功

• 可以检索每个a的tab信息。
• 当使用//*[@class='byC']/@data-dsqi和//a[@class='byC']/@data-dsqi时，可以检索1234567。
• 使用了//*[@class='byC']/../text()和//a[@class='byC']/../text()，可以检索11 Dec 2018, 12:34 PM PST。
• 当使用//*[@class='excerpt']/../h2和//div[@class='excerpt']/../h2时，可以检索“h2”的文本值。

失败

• 当使用//*[@class='byC']/../time"和//a[@class='byC']/../time"时，返回#N/A。
• 当使用//*[text()='11 Dec 2018, 12:34 PM PST']和//*[text()='11 Dec 2018, 12:34 PM PST']/@datetime时，返回#N/A。
• 当使用//*[@class='byline']/../h2和//footer[@class='byline']/../h2时，返回#N/A。

解决方法

在我的环境中，无法检索 address 的值。从上面的结果来看，我的结果是 IMPORTXML() 可能无法正确解析 footer 。因此，作为一种解决方法，我建议使用 Google Apps 脚本而不是 IMPORTXML() 。

添加:

当 Google Apps 脚本用于这种情况时。作为示例脚本，这个怎么样？该 HTML 数据无法直接解析。因此，它会使用 Parser 提取部分值，包括您想要使用的值，并使用 XmlService 解析和检索值。

示例脚本:

function getValuesFromUrl() {
  // Retrieve HTML data
  var url = "https://www.breitbart.com/tag/cnn/";
  var html = UrlFetchApp.fetch(url).getContentText();

  // Parse HTML data
  var res = Parser.data(html).from("<section id=\"MainW\">").to("</section>").build();
  var decode = XmlService.parse('<r>' + res + '</r>');
  var r = decode.getRootElement().getChildren();

  // Retrieve values
  var values = [];
  for (var i = 0; i < r.length; i++) {
    var s = r[i].getChildren("article");
    for (var j = 0; j < s.length; j++) {
      var t = s[j].getChildren("div");
      for (var k = 0; k < t.length; k++) {
        var u = t[k].getChildren("footer");
        for (var l = 0; l < u.length; l++) {
          values.push(u[l].getChild("address").getAttribute("data-aname").getValue());
        }
      }
    }
  }
  Logger.log(values)
}

注意:

• 要使用此脚本，请将脚本复制并粘贴到脚本编辑器中。
• 在运行脚本之前，请安装Parser的GAS库。您可以在 here 查看详细信息。
• 安装库后，请运行 getValuesFromUrl() 函数。这样就可以看到Log中的值了。

引用文献:

• Parser
• XmlService