IMPORTXML在NCBI网站的特定页面上返回#N / A - 抓取保护？

Question

我正在试图抓住这个页面https://www.ncbi.nlm.nih.gov/gene/2597以使用IMPORTXML获得“官方全名”，“也称为”和其他一些信息到Google表格。

对于“官方全名”（e.g. glyceraldehyde-3-phosphate dehydrogenase），我试试这个：

=IMPORTXML("https://www.ncbi.nlm.nih.gov/gene/55054", "//*[@id="summaryDl"]/dd[2]/text()")

给了我#N / A.

所以我尝试通过""更改''，使用我放置URL和查询的单元格，以所有可能的方式更改查询：D。

我注意到我可以使用IMPORTHTML（并且有关于页面内部表格的一些信息）或IMPORTRSS但是无法获得我想要的信息。所以我认为网站不会阻止抓取。

我认为这是一个JS或XML问题，但它似乎不是（在我看来......也许我错过了一些东西）。我甚至试图从某些代码中使用IMPORTJSON但却无法得到任何东西（说实话，可能太复杂了）。

我真的被封锁了，所以如果有人可以帮忙......？

Answer 1

你可以尝试直接刮掉源代码：

=ARRAY_CONSTRAIN(IMPORTDATA("https://www.ncbi.nlm.nih.gov/gene/55054"), 10000, 1)

然后做这样的事情得到“也称为”值：

=REGEXREPLACE(QUERY(
 {{""; ARRAY_CONSTRAIN(IMPORTDATA("https://www.ncbi.nlm.nih.gov/gene/55054"), 500, 1)},
      {ARRAY_CONSTRAIN(IMPORTDATA("https://www.ncbi.nlm.nih.gov/gene/55054"), 500, 1); ""}},
 "select Col2 where Col1 contains'Also known as'"), "<dd>|</dd>", "")