In this Article
Google Sheets 是一款免费的电子表格应用，广泛用于数据管理、报告和协作。如果您需要跟踪产品价格、监控竞争对手或收集研究数据，很可能已经用过这款网页应用。
在本指南中，您将了解 Google Sheets 的主要功能，例如 IMPORTXML, IMPORTHTML,，以及使用过程中可能遇到的错误和实用技巧。
为什么 Google Sheets 适合网页抓取？
总体而言，Google Sheets 并非传统的数据抓取工具，但它值得一试。许多人会使用 编程语言 和用于网页抓取的编程库。这也是相关问题经常出现在 Google 搜索结果中的原因。如果您需要收集特定数据，却不想学习新技能，Google Sheets 或许能帮您节省时间。
此外，只需一个账号，您就能使用一系列 Google 服务。Calendar、Gmail、Docs 和 Drive 共同构成完整的 Google 生态系统，各项服务触手可及。您可以轻松在各个平台存储、共享和使用数据：用 Google Sheets 抓取数据，在 Google Drive 中备份，并随时跟进任务进度。
Google Sheets 易于上手。顶部菜单提供 File、Edit、View 等常用选项；工具栏可用于撤销、重做和设置数据格式；公式栏显示公式或值；工作表标签让您在同一文件的不同工作表之间切换；网格区域则用于输入和整理数据。
此外，您可以随时随地访问和编辑电子表格，无需担心电脑崩溃或文件丢失导致工作成果遗失。所有内容都会自动安全地保存到 Google Drive。只要分享链接，受邀者便可按您设置的权限查看或编辑文件。
网页抓取的关键功能
下面来看看 Google Sheets 中用于网页抓取的主要功能。我们将重点介绍最常用的 IMPORT 函数，帮助您高效抓取数据。
IMPORTXML：从网页中提取数据
IMPORTXML 用途广泛，可通过 XPath 查询从网页中提取结构化数据，提取范围既可以是局部片段，也可以是完整内容。它可处理 XML、HTML、CSV、TSV 和 RSS 等数据类型。语法如下：
=IMPORTXML(“URL”, “xpath_query”, “locale”)
该函数包含网页 URL、用于指定导入内容的 XPath 查询，以及可选的语言和区域设置。Google Sheets 中常用的 XPath 查询包括：
- //h1, //h2, //h3: 选择标题标签（标题）。
- //img/@src: 提取图片 URL。
- //ul/li: 选择无序列表中的列表项。
- //p: 选择所有段落。
- //span: 选择所有 span 元素。
- //div: 选择结构化内容的所有 div 元素。
例如，下面从 Google Finance 抓取 Apple 的股价。先在公式中填入来源链接。
接下来，填写 XPath 查询。它会从根节点 (/html/body/…) 沿 HTML 结构定位 Apple 的股价。 要获取 XPath，请在浏览器中右键点击要导出的数据，选择 Inspect，再从 Elements 标签页复制完整的 XPath。将复制的 XPath 用于 IMPORTXML 函数，即可从网页导入数据。
locale 参数为可选项，可用于指定 en_US 等语言和区域设置。最终公式如下：
=IMPORTXML(“https://www.google.com/finance/quote/AAPL:NASDAQ?sa=X&ved=2ahUKEwiZyb2g38r-AhUMs6QKHQOjDeEQ3ecFegQIKBAY”,”/html/body/c-wiz[2]/div/div[4]”）
在这种情况下：
- URL 指向 Google Finance 上的 Apple 股票页面。
- XPath 查询选择包含股票价格的元素。
XPath 必须与网页结构相匹配。 请务必检查网站的服务条款，以确认允许抓取！
IMPORTHTML：从 HTML 表格和列表中提取数据
有时您需要城市列表等结构化数据，但现有数据集可能不完整或格式有误。与其手动搜索和复制，不如使用 Google Sheets 的 IMPORTHTML 函数。其语法包含可公开访问的 URL 或网页链接、查询类型（”列表”或”表格”），以及索引值（列表或表格在网页中的位置）：
=IMPORTHTML(“URL”, “query”, index)
下面从 Wikipedia 导入英国所有城市的列表。首先，找到包含这些数据的 网页。 在网页任意位置右键点击，然后选择 Inspect（Windows 中按 F12 或 Ctrl+Shift+I，Mac 中按 Cmd+Option+I）。进入 Elements 标签页，搜索 <table> 标签以确定目标表格的序号。本例中，英国城市列表位于页面的第一个表格。打开一个新的 Google 表格，并在单元格中输入公式：
=IMPORTHTML(“https://en.wikipedia.org/wiki/List_of_cities_in_the_United_Kingdom”, “table”, 1)
按 Enter 后，几秒内该表格便会显示在电子表格中。
假设您想提取网站的菜单结构以便快速分析，也可以用 IMPORTHTML 按相同方法操作。下面从 Wikipedia 的侧边栏提取主菜单项，该侧边栏采用列表结构 (<ul>…</ul>)。接下来，选择显示数据的单元格并输入以下公式：
=IMPORTHTML(“https://en.wikipedia.org/wiki/Main_Page”, “list”, 1)
按 Enter 后，Google Sheets 会自动从 Wikipedia 首页提取第一个列表（<ul>…</ul>）。该公式提取的是第一个无序列表，您也可以将此方法用于其他网站。
通过使用 IMPORTHTML，您可以快速收集信息表、项目列表等结构化数据，无需手动复制粘贴。
IMPORTDATA：从 CSV 和 TSV 文件访问数据
该函数可将 CSV（逗号分隔值）或 TSV（制表符分隔值）格式的数据从 URL 轻松导入 Google Sheets 工作表。其语法为：IMPORTDATA 函数是：
=IMPORTDATA(“URL”)
它仅适用于 CSV 和 TSV 格式，URL 必须直接指向该文件。若文件需要身份验证，IMPORTDATA 将无法使用。借助该函数，您可将统计数据集直接导入 Google Sheets，无需手动下载。
IMPORTFEED：将 RSS 和 Atom 源导入 Google Sheets
此函数用于将 RSS 或 Atom 源中的数据导入并显示到电子表格中。语法如下：
=IMPORTFEED(“url, [query], [headers], [num_items]”）
查询、标题和提要项目数量均为可选项。本例将使用 Wikipedia 的 RSS feed 获取最近的更改，您也可以选择其他提供 RSS Feed 的网站。打开 Google Sheets，在公式中填入正确的 URL。该函数会从 Wikipedia 源中提取最新更改，并显示在电子表格中。
IMPORTRANGE：在 Google Sheets 间链接数据
IMPORTRANGE 函数允许您将数据从一张 Google 表格导入到另一张 Google 表格中。原始工作表中所做的任何更改都会自动更新。语法是：
=IMPORTRANGE(spreadsheet_url, range_string)
首先，原始工作表必须可通过链接访问。此外，请检查文档名称中的大小写和空格是否正确。
要使用该函数，请选择一个空白单元格并输入 =IMPORTRANGE()。下面来看一个示例：
然后填入要导入的电子表格 URL（即两个斜杠之间的代码）和单元格范围。本例中，我们要将教师列表导入学科列表所在的工作表。教师列表范围为 A1:A7，其中 A1 是顶部的第一个单元格，A7 是底部的最后一个单元格。
最终公式和结果如下：
这是一个文本块。点击编辑按钮即可修改此文本。
您可能会遇到的错误
如果抓取过程中没有遇到错误，您算是很幸运。面对陌生的提示信息，许多初学者都会感到困惑。以下是一些最常见的错误：
- #不适用：当值不可用或不存在于引用范围内时。
- 参考！：当函数引用了不存在的单元格时会显示此错误，例如删除了相应的行或列。
- 结果太大：这意味着输出太大，表格无法处理。尝试限制数据量。
- 数组结果未展开：函数的输出可能被相邻单元格中的现有数据阻塞。
- #VALUE!：当输入的类型错误时（例如，需要数字时是文本值）。
注意 Google Sheets 的局限性
Google Sheets 对单元格数量有所限制：一份电子表格最多可包含 1000 万个单元格或 18,278 列。每个单元格也有数据上限，不能超过 50,000 个字符。因此，它并不适合处理任意规模的数据。Google 建议不要过度使用 IMPORTXML 或 IMPORTDATA 等复杂函数，以免拖慢工作表。
Google Sheets 很适合抓取静态数据，但难以处理由 JavaScript 加载的内容。它还会限制短时间内的请求数量。因此，它不适合大规模数据抓取，也不适合提取需要复杂交互的内容。
为什么需要在 Google Sheets 中使用 代理 进行网页抓取？如果希望 Google Sheets 稳定运行，代理可帮助您分散负载。借助代理，您可以通过不同的 IP 路由请求，提高 IP 信誉和访问稳定性；同时还能访问特定地区的数据，并保持 匿名。
Google Sheets 不是一个选择？尝试自动抓取工具
如果项目规模超出 Google Sheets 的处理能力，或数据受到高级反抓取措施保护，请考虑使用专门的网页抓取工具高效提取数据。以下是一些自动抓取工具：
- Octoparse – 一款无代码网页抓取应用，无需编程技能即可从网站提取数据，尤其适合抓取由 JavaScript 加载内容的动态网站。Octoparse 提供 14 天高级版试用。
- Scrapy – 用于网页爬取和数据提取的免费开源 Python 框架。它不基于云端，用户需要自行配置所有内容，包括代理、CAPTCHAs 以及对 JavaScript 网站的处理。对初学者而言，这个抓取工具可能并非最佳选择。
- Beautiful Soup – 一个 Python 库，可用较少的代码简化文档遍历和修改，自动处理编码，并可配合 lxml、html5lib 等解析器使用，兼具灵活性和速度。
- Apify – 基于云端的网页抓取平台，提供预构建的抓取工具和自动化功能。Apify 为常见网站提供现成的 actor（抓取工具），可加快抓取流程。用户还可通过无代码编辑器或 API 创建自定义工作流。它提供免费试用，但费用可能会随使用量增加而变高。
不过，采用强大反机器人保护的网站仍可能阻止抓取工具。为获得更好的效果，请结合使用代理和抓取工具。
DataImpulse 专注于客户最需要的高质量、合规来源的代理服务。使用 DataImpulse 代理，即可享受高速连接、按 GB 付费、24/7 人工支持和个性化服务等优势。
*所提供的信息仅用于教育目的！