Как проанализировать строку HTML в скрипте Google Apps без использования XmlService?

Я хочу создать скребок с помощью таблиц Google со скриптом Google Apps. Я знаю, что это возможно, и я видел некоторые учебники и темы об этом.

Основная идея заключается в использовании:

  var html = UrlFetchApp.fetch('http://en.wikipedia.org/wiki/Document_Object_Model').getContentText();
  var doc = XmlService.parse(html);

А затем получить и работать с элементами. Однако метод

XmlService.parse()

Не работает для какой-то страницы. Например, если я попробую:

function test(){
    var html = UrlFetchApp.fetch("https://www.nespresso.com/br/pt/product/maquina-de-cafe-espresso-pixie-clips-preto-lima-neon-c60-220v").getContentText();
    var parse = XmlService.parse(html);
}

Я получаю следующую ошибку:

Error on line 225: The entity name must immediately follow the '&' in the entity reference. (line 3, file "")

Я пытался использоватьstring.replace() устранить символы, которые, по-видимому, вызывают ошибку, но она не работает. Все виды других ошибок появляются. Следующий код, например:

function test(){
    var html = UrlFetchApp.fetch("https://www.nespresso.com/br/pt/product/maquina-de-cafe-espresso-pixie-clips-preto-lima-neon-c60-220v").getContentText();
    var regExp = new RegExp("&", "gi");
    html = html.replace(regExp,"");

    var parse = XmlService.parse(html);
}

Дает мне следующую ошибку:

Error on line 358: The content of elements must consist of well-formed character data or markup. (line 6, file "")

Я считаю, что это проблема сXmlService.parse() метод.

Я читал в этой теме:

Таблица разбора скриптов Google App из испорченного html а такжеКаков наилучший способ разбора HTML в скрипте приложений Google что можно использовать устаревший метод под названиемxml.parse() который принимает второй параметр, который позволяет анализировать HTML. Однако, как я уже говорил, это устарело, и я нигде не могу найти никакой документации по нему.xml.parse() Кажется, что синтаксический анализ строки, но у меня проблемы с элементами из-за отсутствия документации. И это также не самое безопасное долгосрочное решение, потому что оно может быть деактивировано в ближайшее время.

Итак, я хочу знать, как мне разобрать этот HTML в скрипте Google Apps?

Я также попробовал:

function test(){

    var html = UrlFetchApp.fetch("https://www.nespresso.com/br/pt/product/maquina-de-cafe-espresso-pixie-clips-preto-lima-neon-c60-220v").getContentText();
    var htmlOutput = HtmlService.createHtmlOutput(html).getContent();

    var parse = XmlService.parse(htmlOutput);
}

Но это не работает, я получаю эту ошибку:

Неверно сформированный HTML-контент:

Я думал об использовании библиотеки с открытым исходным кодом для анализа HTML, но я не смог найти ни одной.

Моя конечная цель состоит в том, чтобы получить некоторую информацию из набора страниц, таких как цена, ссылка, название продуктов и т. Д. Мне удалось сделать это с помощью серии RegEx:

var ss = SpreadsheetApp.getActiveSpreadsheet();
  var linksSheet = ss.getSheetByName("Links");
  var resultadosSheet = ss.getSheetByName("Resultados");

function scrapyLoco(){

  var links = linksSheet.getRange(1, 1, linksSheet.getLastRow(), 1).getValues();
  var arrayGrandao = [];
  for (var row =  0, len = links.length; row < len; row++){
   var link = links[row];


   var arrayDeResultados = pegarAsCoisas(link[0]);
   Logger.log(arrayDeResultados);
   arrayGrandao.push(arrayDeResultados);
  }   


  resultadosSheet.getRange(2, 1, arrayGrandao.length, arrayGrandao[0].length).setValues(arrayGrandao);

}


function pegarAsCoisas(linkDoProduto) {
  var resultadoArray = [];

  var html = UrlFetchApp.fetch(linkDoProduto).getContentText();
  var regExp = new RegExp("<h1([^]*)h1>", "gi");
  var h1Html = regExp.exec(html);
  var h1Parse = XmlService.parse(h1Html[0]);
  var h1Output = h1Parse.getRootElement().getText();
  h1Output = h1Output.replace(/(\r\n|\n|\r|(^( )*))/gm,"");

  regExp = new RegExp("Ref.: ([^(])*", "gi");
  var codeHtml = regExp.exec(html);
  var codeOutput = codeHtml[0].replace("Ref.: ","").replace(" ","");

  regExp = new RegExp("margin-top: 5px; margin-bottom: 5px; padding: 5px; background-color: #699D15; color: #fff; text-align: center;([^]*)/div>", "gi");
  var descriptionHtml = regExp.exec(html);
  var regExp = new RegExp("<p([^]*)p>", "gi");
  var descriptionHtml = regExp.exec(descriptionHtml);
  var regExp = new RegExp("^[^.]*", "gi");
  var descriptionHtml = regExp.exec(descriptionHtml);
  var descriptionOutput = descriptionHtml[0].replace("<p>","");
  descriptionOutput = descriptionOutput+".";

  regExp = new RegExp("ecom(.+?)Main.png", "gi");
  var imageHtml = regExp.exec(html);
  var comecoDaURL = "https://www.nespresso.com/";
  var imageOutput = comecoDaURL+imageHtml[0];

  var regExp = new RegExp("nes_l-float nes_big-price nes_big-price-with-out([^]*)p>", "gi");
  var precoHtml = regExp.exec(html);
  var regExp = new RegExp("[0-9]*,", "gi");
  precoHtml = regExp.exec(precoHtml);
  var precoOutput = "BRL "+precoHtml[0].replace(",","");

  resultadoArray = [codeOutput,h1Output,descriptionOutput,"Home & Garden > Kitchen & Dining > Kitchen Appliances > Coffee Makers & Espresso Machines",
                    "Máquina",linkDoProduto,imageOutput,"new","in stock",precoOutput,"","","","Nespresso",codeOutput];

  return resultadoArray;
}

Но это очень много времени для программирования, очень трудно изменить его динамически и не очень надежно.

Мне нужен способ разобрать этот HTML и легко получить доступ к его элементам. Это на самом деле не дополнение. но простой скрипт приложения Google ..

Ответы на вопрос(7)

Ваш ответ на вопрос