使用 Google 表格,我试图从房地产网站上抓取图像,以便与房产详细信息一起显示在单元格中。我已经能够使用一个简单的示例证明这是可能的,但是当我尝试制定 xpath 查询来抓取我需要的特定图像时,我不断收到错误消息。
作为一个工作示例,我将使用这个网页。
在我的示例中,ImportXML 命令中的单元格引用始终指向此 URL。
我想要的图像是滑块的一部分,可以通过它们的类轻松识别: 'rsImg rsMainSlideImage'
我尝试使用以下命令抓取滑块中的第一张图像:
=IMPORTXML(A2, "(//img[@class='rsImg rsMainSlideImage'])[1]/@src")
我不断收到错误:
"Imported content is empty"
为了诊断问题,我做了一个更简单的例子:
我可以使用以下 xPath 从页面(不是我的目标图像)获取第一张图像:
=IMPORTXML(A2, "(//img)[1]/@src")
这成功地显示了图像的 URL。
我可以通过将其包装在 image 命令中来在单元格中显示此图像:
=image(IMPORTXML(A2, "(//img)[1]/@src"))
这表明原则上我应该能够抓取图像并将其显示在单元格中。
但是我无法使用该类选择我要定位的图像而不会出错。这是我使用的命令:
=IMPORTXML(A2, "(//img[@class='rsImg rsMainSlideImage'])[1]/@src")
除了根据 class 属性选择图像之外,我不确定我的示例和无效的示例之间有什么区别。
我将非常感谢任何支持以使其正常工作。
您的 xpath 看起来不错,但网站 HTML 不行!
如果您在此网站上使用 HTML 验证器:
您会看到它有一堆错误,对于 XML 最关键的是,它有杂散标签。因此,在大多数情况下,XML 解析器要么感到困惑,要么将其视为无效而拒绝。
我尝试了一堆不同的 xpath,但在任何img
地方都找不到任何标签,即使在为所有内容制作 x 路径时也是如此,/
或者/*
- 这告诉我这个 HTML 的格式可能很差并且 XML 解析器无法读取它。
=REGEXEXTRACT(
IMPORTXML(
"https://www.jelliscraig.com.au/property-details-228A-Victoria-Street-Ballarat-East/1042039",
"/"
),
"https:\/\/images\.listonce.+\.jpg"
)
通过/
x-path的结果,我确实发现该链接似乎在其他几个地方被引用。也许这对于大多数站点来说是一致的,并且很可能所有图像都由相同的 URL 格式提供:
https://images.listonce.com.au ... jpg
因此,使用此信息,您可以将IMPORTXML
aREGEXEXTRACT
和一个松散的正则表达式包裹起来,例如:
https:\/\/images\.listonce.+\.jpg
将返回,对于您提供的示例 URL:
这似乎是您正在寻找的图像。
也许查看Apps 脚本,特别是UrlFetchApp。使用这些工具,您将对获取的 HTML 拥有更多控制权,并为您提供更多抓取数据的选项。
这是相同过程的示例,但使用 Apps 脚本
function getImageUrl() {
// Fetch the website
let response = UrlFetchApp.fetch("https://www.jelliscraig.com.au/property-details-228A-Victoria-Street-Ballarat-East/1042039")
// Get the text from the response
let html = response.getContentText()
// Use Regex to Match the Tag
let result = html.match(/(?<=img src=.+)https:\/\/images.listonce.com.au\/.+\.jpg/)
// Log the first result
Logger.log(result[0])
}
哪个会记录 https://images.listonce.com.au/custom/l/listings/228a-victoria-street-ballarat-east-vic-3350/039/01042039_img_01.jpg
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句