如何用XPath从混多国数据的网页表格中提取分国别汽车销量？

核心思路 #

通过定位国家专属数据区块解决多国数据混排问题，再针对每个区块提取对应年份的销量，最终整合为目标格式。

步骤1：定位各国数据表格 #

由于页面标题不统一，采用关键词模糊匹配定位不同国家的数据区块：

• 以包含国家名称（如Europe、China、USA、Canada）的标题/文本为锚点，定位其关联的表格
• 示例XPath（以欧洲数据为例）：

  //h3[contains(text(), 'Europe')]/following-sibling::table[1]
  

  该表达式自动匹配“Europe Annual Sales”或其他含Europe的标题，精准定位对应表格。

步骤2：提取单国年度销量 #

针对每个国家的表格，提取1990-2023年的销量数据：

• 遍历表格内的行，提取每行的年份（第一个<td>）和销量（第二个<td>）
• 示例XPath（提取欧洲表格的所有年份-销量行）：

  //h3[contains(text(), 'Europe')]/following-sibling::table[1]//tr[td]
  

• 过滤年份范围：仅保留年份值在1990-2023之间的数据行。

步骤3：数据整合输出 #

将提取的数据按以下规则整理：

• 每行对应一款车型
• 每列对应一个国家的年度销量（列名格式：[国家名]_[年份]，如Europe_2020、China_2019）
• 缺失年份的销量值填空或标记为0

适配不同页面的注意事项 #

• 动态识别页面内的所有国家区块：遍历页面中包含国家关键词的标题，自动识别当前页面的国家数据数量
• 忽略标题差异：无需区分“Annual Sales”或“Yearly”，仅通过国家关键词即可定位对应表格

内容的提问来源于stack exchange，提问作者Future