如何提取整理AWS区域/AZ及CloudFront边缘节点数据为结构化表格

AWS全球基础设施页面提取问题 #

1. 缺失美国东部（北弗吉尼亚）区域条目的原因和修复方法 #

• 原因：美国东部（北弗吉尼亚）是AWS最早上线的核心区域，官网页面将其放在首屏单独的介绍模块中，该模块的父容器class不是lb-rtxt，你原先限定父容器为lb-rtxt的XPath自然覆盖不到该条目。
• 修复方法：放弃按父容器筛选，直接通过文本特征匹配所有目标节点，不会漏过特殊排版的条目，基础提取公式如下：
  =IMPORTXML("https://aws.amazon.com/about-aws/global-infrastructure/regions_az/","//p[contains(text(),'(Region)') or contains(text(),'AZs:') or contains(text(),'Launched ')]")

2. 过滤冗余文本的方法 #

不需要先全量提取再过滤，上面的带文本特征匹配的XPath已经可以直接返回三类目标内容，分别为(Region)后缀的区域名称行、AZs:开头的可用区行、Launched 开头的上线年份行。
提取后得到的是按区域顺序排列的单列三元组数据，每3行对应一个区域的三类信息，用以下公式可直接转成三列表格：
=WRAPROWS(上面的IMPORTXML公式,3)
如果使用的Google Sheets版本不支持WRAPROWS，可以用INDEX+OFFSET组合按行偏移取值实现同样效果。

CloudFront功能页面边缘节点数据提取问题 #

你之前的XPath选错了节点，返回的内容是页面里描述网络特性的第一个p标签，三类边缘节点数据在同模块另一个包含对应关键词的p标签中，按以下步骤操作即可：

1. 先提取包含三类数据的完整文本节点：
   =IMPORTXML("https://aws.amazon.com/cloudfront/features/?p=ugi&l=na&whats-new-cloudfront.sort-by=item.additionalFields.postDateTime&whats-new-cloudfront.sort-order=desc","//p[contains(text(),'Edge locations') and contains(text(),'Regional Edge Caches')]/text()")
2. 拆分生成独立三列，可直接用单步数组公式实现：
   =ARRAYFORMULA(TRIM(SPLIT(REGEXREPLACE(第一步提取的文本,"Edge locations: |AWS Local Zones: |Regional Edge Caches: ",""),";")))
   如果需要把每个城市条目拆成单独行，在对应列的公式外层套TRANSPOSE(SPLIT(对应列内容,","))即可。

内容的提问来源于stack exchange，提问作者stack91