使用 Google Sheets 上的 ImportXML 函数获取网页的发布日期答案

【问题标题】：Using the ImportXML function on Google Sheets to get the publication date of web pages使用 Google Sheets 上的 ImportXML 函数获取网页的发布日期
【发布时间】：2018-11-08 12:30:25
【问题描述】：

我一直在尝试制定一种方法，使用 Google 表格返回网站上新闻文章的发布日期。有些页面并没有使这一点显而易见或根本没有提及发布日期，但在页面源中通常有一个节点，例如：

<meta content="2018-10-16T00:03:35+0100" itemprop="datePublished" />

所以我想出了一个这样的函数：

=ImportXml(A19, "//meta[@itemprop='datePublished']/@content")

对于单元格 A19 中的 URL，如果节点使用该语法，它将返回内容。

但是在其他页面上，情况并非如此 - 语法将是这样的，Google 表格会返回错误“导入的内容为空”：

<meta property ="article:published_time" content="2018-10-16T00:03:35+0100" />.

似乎源代码中的相关节点都包含“已发布”一词 - 有没有办法构建我的查询，以便它从包含“已发布”一词的任何节点返回内容？

非常感谢！

【问题讨论】：

标签： html xpath google-sheets

【解决方案1】：

试试这个 Xpath 查询：

//meta[@*[contains(translate(., 'ABCDEFGHIJKLMNOPQRSTUVWXYZ', 'abcdefghijklmnopqrstuvwxyz'),'published')]]/@content

它搜索包含“已发布”作为子字符串的任何属性，不区分大小写。

我在这个字符串上测试过：

<meta content="2018-10-16T00:03:35+0100" anyprop="datepublishedhelloworld" />

它返回了这个结果：

Attribute='content=2018-10-16T00:03:35+0100'

使用这个工具https://www.freeformatter.com/xpath-tester.html

【讨论】：

让我知道这在 Google 表格中按预期工作。
这确实工作得更好，谢谢！返回更少的“导入的内容为空”错误并查看返回该错误的网站，似乎源中没有可用的发布日期。一些站点返回错误“数组结果未展开，因为它会覆盖 [下面的单元格] 中的数据”，因为该站点上有多个“已发布”节点实例给出重复的结果，但这已通过 index 函数解决：=index (ImportXml(A8, "//meta[@*[contains(translate(., 'ABCDEFGHIJKLMNOPQRSTUVWXYZ', 'abcdefghijklmnopqrstuvwxyz'),'published')]]/@content"),1)
好的，很好。我没有在表格中进行测试，但看起来你找到了一个很好的解决方案。