如何在Google Sheet中解析XML并提取ArXiv论文信息？

原因分析 #

ArXiv API返回的XML采用了Atom命名空间（http://www.w3.org/2005/Atom），IMPORTXML默认不识别该命名空间，直接使用常规XPath会无法匹配到目标节点，因此返回空内容。

解决方法 #

方法1：通过命名空间匹配编写XPath #

无需显式声明命名空间前缀，直接用namespace-uri()和local-name()定位节点，对应公式如下：

• 提取论文标题：

  =IMPORTXML("https://export.arxiv.org/api/query?id_list=2308.05734", "//*[namespace-uri()='http://www.w3.org/2005/Atom' and local-name()='title']")
  

• 提取作者姓名：

  =IMPORTXML("https://export.arxiv.org/api/query?id_list=2308.05734", "//*[namespace-uri()='http://www.w3.org/2005/Atom' and local-name()='author']/*[local-name()='name']")
  

• 提取发表日期：

  =IMPORTXML("https://export.arxiv.org/api/query?id_list=2308.05734", "//*[namespace-uri()='http://www.w3.org/2005/Atom' and local-name()='published']")
  

方法2：先获取原始内容再用正则提取 #

如果命名空间匹配仍有问题，可先用IMPORTXML("/")获取完整原始XML，再通过正则表达式提取目标字段：

• 提取标题：

  =REGEXEXTRACT(IMPORTXML("https://export.arxiv.org/api/query?id_list=2308.05734", "/"), "<title>(.*?)</title>")
  

• 提取作者（多作者可拆分）：
  单作者提取：

  =REGEXEXTRACT(IMPORTXML("https://export.arxiv.org/api/query?id_list=2308.05734", "/"), "<name>(.*?)</name>")
  

  多作者拆分：

  =SPLIT(REGEXREPLACE(IMPORTXML("https://export.arxiv.org/api/query?id_list=2308.05734", "/"), ".*<name>(.*?)</name>.*", "$1"), ", ")
  

• 提取发表日期：

  =REGEXEXTRACT(IMPORTXML("https://export.arxiv.org/api/query?id_list=2308.05734", "/"), "<published>(.*?)</published>")
  

注意事项 #

• 确保Google Sheet具备正常网络权限，可访问ArXiv API地址。
• 若API返回的XML格式发生变化，需对应调整XPath或正则表达式。

内容的提问来源于stack exchange，提问作者TSR