如何从网站上抓取文字信息？

Question

我对 VBA 和 html 编码总体来说是新手。如果我不理解基本术语或错误使用它们，我深表歉意。我希望在 Excel 中创建并运行一个宏，这将使我的工作变得更加轻松。本质上，我需要从房地产网站获取大量信息。这包括地址、标价、挂牌机构、拍卖日期（如果有）等。我花了 4 个小时阅读有关网络抓取的所有内容，我了解整个流程，只是不知道如何编写代码。根据我所读到的内容，我需要编写一段代码来自动打开网站，强制等待网站加载，然后通过标签、名称或 ID 检索信息。它是否正确？我该怎么办呢。我应该使用哪些资源。

TL;DR 如何从搜索结果网页中抓取文本（新手说明）。

Answer 1

我不会告诉你所有细节，你必须自己找到它们。有些网页很复杂，有些则很简单。其他都是不可能的，特别是如果文本不是以 HTML 形式显示而是以其他形式（图片、Flash 等）显示。

然而，在 Excel 中从 HTML 网页中提取数据非常简单。首先，您想要自动化它。因此，单击“开发人员”功能区上的“录制宏”。这样，您将记录所有可重现的步骤，然后您可以查看宏并调整一些步骤以满足您的需求。然而我不能在这里教你如何编程 VBA。

录制宏时，单击“数据”功能区上的“来自网络”。这将显示一个新的网络查询。然后，您输入要阅读的网页地址，并尝试选择（使用小箭头或复选标记）您感兴趣的尽可能窄的区域。您还可以在此向导对话框中探索一些微调选项。

完成后，单击“导入”，您将以某种形式获得网页内容。如果幸运的话，您感兴趣的数据将始终位于相同的单元格中。然后您可以读取单元格并将值存储在某处（可以使用另一个宏）。如果每次刷新查询时数据都不在同一单元格中，那么您运气不好，必须使用一些复杂的公式或宏来查找它们。

接下来停止您正在录制的宏并查看录制的代码。尝试尝试并使用它，直到发现您真正需要的东西。然后由您决定如何实现自动化。选择很多...

否则 Excel 可能不是最好的工具。如果我想加载 HTML 页面并从中提取数据，我会使用一些脚本，例如Python 拥有比 Excel 和 VBA 更好的工具。还有一些工具可以将 HTML 转换为 XHTML，然后从中提取数据，就像从格式正确的 XML 中提取数据一样。

Answer 2

下面是一个非常基本的示例，说明了网络抓取的一些概念。您应该做的其他阅读是如何使用其他元素选择器，例如

getElementByID

getElementByClassName

getElementByName

。

这里有一些代码可以帮助您入门。

Public Sub ExampleWebScraper()
    Dim Browser         As Object: Set Browser = CreateObject("InternetExplorer.Application")
    Dim Elements        As Object 'Will hold all the elements in a collection
    Dim Element         As Object 'Our iterator that will show us the properties

    'Open a page and wait for it to load
    With Browser
        .Visible = True
        .Navigate "www.google.com"

        'Wait for the page to load
        While .busy Or .readystate <> 4
            Application.Wait (Now() + TimeValue("00:00:01"))
        Wend

        'Enumerate all Elements on the page
        'It will store these elements into a collection which we can
        'iterate over. The * is the key for ALL, here you can specify
        'any tagName and it will limit your search to just those.
        'E.g. the most common is Likely Input
        Set Elements = .document.getElementsByTagname("*") ' All elements

        'Iterate through all elements, and print out some properties
        For Each Element In Elements
            On Error Resume Next ' This is needed as not all elements have the properties below
                                 ' if you try and return a property that doesn't exist for that element
                                 ' you will receive an error
            'The following information will be output to the 'Immediate Window'
            'If you don't see this window, Press Ctrl+G, and it will pop up. That's where this info will display
            Debug.Print "The Inner Text is: " & Element.InnerText
            Debug.Print "The Value is: " & Element.Value
            Debug.Print "The Name is: " & Element.Name
            Debug.Print "The ID is: " & Element.ID
            Debug.Print "The ClassName is: " & Element.Class
        Next Element
    End With

    'Clean up, free memory
    Set Browser = Nothing
    Set Elements = Nothing
    Set Element = Nothing
End Sub