提取HTML内容

从 HTML（一定程度上也支持 XML）里按 XPath 取出文本、属性或表格。内部用 HtmlAgilityPack，深入用法见其 文档。

当前模块定义​

概述​

源可以是 HTML 文本，也可以是 http / https 网址（模块会先下载）。同一网址短时间内多次提取会走缓存；更新很勤的页面请先用 HTTP请求 再提取，避免拿到旧数据。

参数说明​

操作类型：

• 提取文本内容：按 XPath 取节点。
• 提取表格内容：取表格，可写入工作表对象。

源HTML：HTML 代码、网址，或根节点对象。

网页编码类型：按网址下载时的编码。留空默认 UTF-8；选 自动检测 (加载两次) 会先探测编码再重新请求。乱码时改这里。

节点XPath：例如网页标题 html/head/title。找不到节点时，试把标签名改成小写。

提取方式：第一个符合条件的节点，或所有符合条件的节点（结果是列表）。

提取内容类型：

提取内容类型	说明
innerHtml 内部HTML	节点内部的 HTML
innerText 内部文本	节点内部的纯文本
outerHTML 节点全部HTML	含节点自身的 HTML
Attribute 节点的某个属性	再填 属性名称
节点对象	返回 HtmlNode

属性名称：仅提取内容类型为属性时有效。

写入工作表对象：提取表格时，把结果写入工作表。旧稿未写。

失败后停止动作：失败是否中止动作。默认开启。

输出​

• 步骤执行是否成功
• 提取值：单个值或列表，变量类型要匹配。
• 根节点：整份源对应的 HtmlNode，可交给下一步再提取。旧稿未写。

示例动作​

步骤较多，用卡片打开后查看。

限制与排障​

• 短时间重复拉同一网址会命中缓存。
• XPath 大小写不对时经常取不到节点。
• 编码不对会乱码：试 auto、gb2312 或 utf-8。

XPath 教程：W3School、知乎笔记。在线测试：xpather.com。

相关链接​

HTTP请求先下载再提取，避开本模块的网址缓存。提取JSON内容源是 JSON 而不是 HTML 时用这个。

更新历史​

• 1.4.17 开始提供。
• 20230704 增加支持 XML，以及使用小写 XPath 的说明。