使用 ImportXml 在 Google 表格中抓取图像

Image scraping in Google Sheets using ImportXml

使用 Google 表格，我试图从房地产网站抓取图像以显示在 属性 详细信息旁边的单元格中。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 查询以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 this webpage。

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 class 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片：

=IMPORTXML(A2, "(//img[@class='rsImg rsMainSlideImage'])[1]/@src")

我不断收到错误消息：

"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 从页面获取第一张图片（不是我的目标图片）：

=IMPORTXML(A2, "(//img)[1]/@src")

这成功显示了图像的 URL。

我可以通过将其包装在图像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。

但我无法 select 使用 class 定位的图像而不会出现错误。 这是我使用的命令：

=IMPORTXML(A2, "(//img[@class='rsImg rsMainSlideImage'])[1]/@src")

除了 select 根据 class 属性生成图像外，我不确定我的示例有效与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。

网站有问题

你的 xpaths 看起来不错，但网站 HTML 不行！

如果您对本网站使用 HTML 验证程序：

https://validator.w3.org/nu/?doc=https%3A%2F%2Fwww.jelliscraig.com.au%2Fproperty-details-228A-Victoria-Street-Ballarat-East%2F1042039

您会看到它有一堆错误，最严重的是 XML，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，但在任何地方都找不到任何 img 标记，即使在为所有 / 或 /* 创建 x 路径时也是如此 - 这告诉我HTML 可能格式不正确，XML 解析器无法读取它。

解决方法

=REGEXEXTRACT(
    IMPORTXML(
        "https://www.jelliscraig.com.au/property-details-228A-Victoria-Street-Ballarat-East/1042039",
        "/"
    ),
    "https:\/\/images\.listonce.+\.jpg"
)

我确实发现 / x 路径的结果是 link 似乎在其他几个地方被引用。也许这对于大多数网站都是一致的，而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 包装在 REGEXEXTRACT 中，并使用松散的正则表达式，例如：

https:\/\/images\.listonce.+\.jpg

请问return，例如URL你给的：

https://images.listonce.com.au/custom/m/listings/228a-victoria-street-ballarat-east-vic-3350/039/01042039_img_01.jpg

这似乎是您要找的图片。

Apps 脚本

也许会调查 Apps Script and specifically UrlFetchApp。使用这些工具，您可以更好地控制所获取的 HTML，并为您提供更多抓取数据的选项。

这是同一过程的示例，但使用了 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])
}

这将记录 https://images.listonce.com.au/custom/l/listings/228a-victoria-street-ballarat-east-vic-3350/039/01042039_img_01.jpg

参考资料