使用Google Sheets的IMPORTXML及XPath无法抓取站点JS内数据如何解决

核心结论 #

• 无法直接通过原生IMPORTXML获取目标数据：IMPORTXML仅支持读取页面初始静态HTML源码，不具备JavaScript执行能力，无法解析document.write动态生成的渲染内容。

可行操作方案 #

方案1：内置函数组合提取（适合简单数据需求） #

1. 先通过IMPORTDATA拉取指定JS文件的纯文本内容，示例公式：
   =IMPORTDATA("https://www.portaldefinancas.com/js-tx/cdib-2021.js")
2. 用正则提取document.write中的HTML代码段，示例公式（A1为上一步存储JS内容的单元格）：
   =REGEXEXTRACT(A1, "document\.write\('([\s\S]*?)'\)")
3. 若数据结构简单，可继续用REGEXEXTRACT、SPLIT等文本函数直接提取你需要的CDI数值。

方案2：Google Apps Script自定义函数（适合稳定批量获取） #

可以自定义函数直接完成「拉取JS、提取HTML、解析表格、返回数据」全流程，使用时直接像内置函数一样调用即可，示例代码：

function getCDIData(year) {
  try {
    // 拼接对应年份的CDI数据JS文件地址
    const jsUrl = `https://www.portaldefinancas.com/js-tx/cdib-${year}.js`;
    // 请求JS文件内容
    const jsContent = UrlFetchApp.fetch(jsUrl).getContentText();
    // 提取document.write内的HTML代码
    const htmlContent = jsContent.match(/document\.write\('([\s\S]*?)'\)/)[1];
    // 解析HTML表格
    const doc = XmlService.parse(htmlContent);
    const rows = doc.getRootElement().getChild('tbody').getChildren('tr');
    // 遍历表格转为二维数组返回
    return rows.map(row => row.getChildren('td').map(cell => cell.getText()));
  } catch (e) {
    return "数据获取失败，请检查年份是否正确或站点可访问性";
  }
}

使用方法：打开表格顶部「扩展程序」-「Apps Script」，将上述代码粘贴保存后，回到表格输入=getCDIData(2021)即可直接返回对应年份的完整CDI数据表。

注意：抓取数据前请确认目标站点的使用条款与抓取规则，避免违规操作。

内容的提问来源于stack exchange，提问作者Ricardo