使用 ImportXml 在 Google Sheets 中抓取图像

我正在使用 Google Sheets 尝试从房地产网站上抓取图像，以将其显示在单元格中以及房产详细信息旁边。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。

作为一个工作示例，我将使用这个网页 https://www.jelliscraig.com.au/property-details-228A-Victoria-Street-Ballarat-East/1042039.

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，并且可以通过其类别轻松识别：'rsImg rsMainSlideImage'

我尝试使用以下命令来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 从页面获取第一张图像（不是我的目标图像）：

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

这样就成功显示了图像的 URL。

我可以通过将其包装在图像命令中来在单元格中显示该图像：

=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。

但我无法使用该类选择我要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")

除了根据类属性选择图像之外，我不确定有效的示例和无效的示例之间有什么区别。

我将非常感谢任何让这项工作顺利进行的支持。

问题出在网站上

您的 xpath 看起来不错，但网站 HTML 却不行！

如果您在此网站上使用 HTML 验证器：

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

您将看到它有很多错误，对于 XML 来说最严重的是，它有杂散标签。因此，在大多数情况下，XML 解析器要么会感到困惑，要么将其视为无效而拒绝。

我尝试了一堆不同的 xpath 但找不到任何img标记任何地方，即使为所有内容创建 x 路径/ or /*- 这告诉我这个 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"
)

通过查看结果我发现了什么/x-path 的问题是该链接似乎在其他几个地方被引用。也许这对于大多数网站来说都是一致的，并且最有可能的是，所有图像都由相同的 URL 格式提供：

https://images.listonce.com.au ... jpg

因此，使用此信息您可以包装IMPORTXML in a REGEXEXTRACT https://support.google.com/docs/answer/3098244并使用松散的正则表达式，例如：

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

对于您提供的示例 URL，将返回：

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

这似乎就是您正在寻找的图像。

应用程序脚本

也许调查一下应用程序脚本 https://developers.google.com/apps-script/overview特别是网址获取应用程序 https://developers.google.com/apps-script/reference/url-fetch/url-fetch-app。使用这些工具，您将可以更好地控制所获取的 HTML，并为您提供更多的数据抓取选项。

这是相同流程但使用 Apps 脚本的示例

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

参考

• REGEXEXTRACT https://support.google.com/docs/answer/3098244
• Apps 脚本概述 https://developers.google.com/apps-script/overview
• 网址获取应用程序 https://developers.google.com/apps-script/reference/url-fetch/url-fetch-app