提取HTML内容
从HTML代码中提取内容
当前模块定义
sys:htmlExtract输入 9 · 输出 3 · 枚举 4
输入参数
- 操作类型
operationEnum必填提取文本内容默认extractText提取表格内容extractTable - 源HTML
sourceText必填原始HTML内容，或网址，或根节点对象
- 网页编码类型
encodingText可选通过网址加载内容时，使用指定的编码。留空时默认为UTF8。
自动检测 (加载两次autoGB2312编码gb2312UTF8编码utf-8 - 节点XPath
xpathText必填内容的XPath，详细说明请参考文档
- 提取方式
selectTargetEnum可选提取单个节点还是符合条件的所有节点。
第一个符合条件的节点默认single所有符合条件的节点all - 提取内容类型
returnTypeEnum可选要提取的节点信息。
5 个选项innerHtml 内部HTML、innerText 内部文本、outerHTML 节点全部HTML
innerHtml 内部HTML默认InnerHtmlinnerText 内部文本InnerTextouterHTML 节点全部HTMLOuterHtmlAttribute 节点的某个属性Attribute节点对象Node - 属性名称
attributeText可选仅在提取节点属性时有效。指定属性的名称。
- 写入工作表对象
writeToSheetObject可选将提取到的表格内容写入工作表对象中。
- 失败后停止动作
stopIfFailBoolean可选失败后是否停止动作
输出参数
- 步骤执行是否成功
isSuccessBoolean步骤执行是否成功
- 提取值
valueAny提取的内容。请确保结果类型和变量类型匹配。
- 根节点
rootNodeAny整个HTML源内容对应的HtmlNode节点对象，可用于后续处理使用。
概述
从HTML代码中提取内容，在一定程度上也可以支持XML文档内容的提取。
本模块在内部使用HtmlAgilityPack组件，深入使用可以参考其文档。
提取HTML内容
注意
此模块对完全相同的链接在短时间内多次提取会使用缓存数据！因此对于更新频繁的html链接请使用“http请求+提取”两步骤实现！避免目标数据不能及时更新的bug。
参数
【源HTML】要从中提取内容的HTML代码或网址(http、https)。如果是网址，模块将自动下载HTML代码。
【网页编码类型】在指定网址获取HTML内容时，设定网页的编码类型，通常用于解决某些网页读取后汉字乱码的问题。默认（留空时）为UTF8编码。指定值为“auto”时，将会请求两次，先获取编码后再重新请求并根据编码解析内容。
【节点XPath】要提取内容的XPath。例如：
- 网页的标题：html/head/title
如果无法找到节点，可以尝试使用小写字母的节点名；
【提取方式】提取单个值还是多个值。
- 第一个符合条件的节点：只返回第一个符合xpath条件的节点的内容。
- 所有符合条件的节点：返回所有符合xpath条件的节点的内容。此时，提取的值类型将是一个列表类型。
【提取内容】提取的节点具体内容，根据提取方式的不同，返回的结果也不太一样。当提取方式为“第一个符合条件的节点”时，返回该节点的内容；当提取方式是“所有符合条件的节点”时，返回每个符合条件节点的指定内容的列表。
| 提取内容 | 说明 | 备注 |
|---|---|---|
| InnerHtml | 此节点内部的HTML代码 | |
| InnerText | 此节点内部的纯文本内容 | |
| OuterHtml | 节点本身的HTML代码 | |
| 节点对象 | 返回节点对应的HtmlNode对象 | |
| 节点的某个属性 | 返回节点的某个属性的值。 |
【属性名称】当“提取内容”为“节点的某个属性”时，指定要返回节点的属性名。
【失败后停止动作】失败时是否停止动作。
输出
【值】返回提取的内容。
示例动作：
- 将浏览器当前网址生成MarkDown链接 https://getquicker.net/sharedaction?code=bf4e796f-e1a5-41ba-1925-08d7b02d7fd4
历史
- 1.4.17 开始提供此模块。
- 20230704 增加支持XML，以及使用小写xpath的说明。
参考
更新于