XPath 用于<address>在 Google 表格中使用 ImportXML 标记

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>

我尝试了这条路径的几种变体，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，这个怎么样？

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

而且这也可以使用//address/@data-aname

如果这些不是你想要的结果，你能提供“A2”的网址吗？ 我想尝试测试。

编辑：

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

<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

• 每个翼片的信息a可以被检索。
• 当使用//*[@class='byC']/@data-dsqi和//a[@class='byC']/@data-dsqi ，可以检索到1234567 。
• //*[@class='byC']/../text()和//a[@class='byC']/../text()使用， 11 Dec 2018, 12:34 PM PST可以被检索。
• 当使用//*[@class='excerpt']/../h2和//div[@class='excerpt']/../h2 ，可以检索“h2”的文本值。

失败

• 当使用//*[@class='byC']/../time"和//a[@class='byC']/../time" ，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 ， #N/A被返回。
• 当使用//*[@class='byline']/../h2和//footer[@class='byline']/../h2 ，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，我发现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 Script 而不是IMPORTXML() 。

添加：

在这种情况下使用 Google Apps 脚本时。 作为示例脚本，这个怎么样？ 无法直接解析此 HTML 数据。 因此，它使用 Parser 提取包括您要使用的值在内的部分值，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) }

笔记：

• 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。 您可以在此处查看详细信息。
• 安装库后，请运行getValuesFromUrl()函数。 这样，您可以在 Log 中看到这些值。

参考：

• 解析器
• 服务