Google Sheets 如何按标签提取 Wikipedia 的生物分类?
可以用 XPath 按分类标签定位行,再提取第二个单元格,这样就不用针对每个页面调整行号。
提取 Kingdom 的公式
假设 Wikipedia 页面 URL 放在 A2,可以使用:
=IMPORTXML($A2,"//table[contains(concat(' ',normalize-space(@class),' '),' infobox ')]//tr[*[1][normalize-space(.)='Kingdom:']]/*[2]")
这条公式适用于 IMPORTXML 读取到的 HTML 符合以下结构的页面:分类信息位于带有 infobox class 的表格中,每行第一格是分类标签,第二格是分类值。这个写法基于上述结构,未对两个示例页面进行实时验证。
公式会依次完成三件事:
- 找到带有
infoboxclass 的表格。 - 找到第一格文字为
Kingdom:的行。 - 返回这一行第二格的内容。
其中,normalize-space(.) 会清理标签文字首尾的空白,并合并连续空白。即使标签文字包在链接等子元素里,也可以参与匹配。
提取其他分类等级
提取 Phylum 时,把公式中的 Kingdom: 改成 Phylum: 即可:
=IMPORTXML($A2,"//table[contains(concat(' ',normalize-space(@class),' '),' infobox ')]//tr[*[1][normalize-space(.)='Phylum:']]/*[2]")
提取其他等级时,同样把标签替换为 Class:、Order:、Family:、Genus: 或 Species:。标签的拼写和冒号需要与页面中的实际文字一致。
新公式直接读取第二格,不再要求路径末尾是 /a。分类值即使不是链接,或者包含多个文字节点,也不会仅因缺少对应的链接元素而被漏掉。公式取得的是单元格中的分类内容,而不是机械地截取标签后的第一个单词。物种名称可能包含多个单词,需要完整保留。
用表头控制分类,方便横向复制
如果要整理多个标本,可以在 B1:H1 依次填写以下表头,不带冒号:
| B1 | C1 | D1 | E1 | F1 | G1 | H1 |
|---|---|---|---|---|---|---|
| Kingdom | Phylum | Class | Order | Family | Genus | Species |
然后在 B2 输入:
=IMPORTXML($A2,"//table[contains(concat(' ',normalize-space(@class),' '),' infobox ')]//tr[*[1][normalize-space(.)='"&B$1&":']]/*[2]")
将公式向右复制到 H2,再向下复制到其他标本所在行:
$A2固定 URL 所在的 A 列,向下复制时会改用下一行的 URL。B$1固定表头所在的第 1 行,向右复制时会依次读取其他分类名称。
没有结果时检查什么
先确认页面是否列出了对应等级。如果分类表没有 Kingdom:,公式就没有可返回的 Kingdom 值。不能用 Phylum 的值补进 Kingdom 列,否则会把不同分类等级混在一起。
如果页面上有标签,公式仍未匹配到,需要检查标签文字、冒号和表格结构是否符合上述条件。浏览器显示的页面也可能与 IMPORTXML 实际取得的 HTML 不同;出现加载错误时,不能直接认定 XPath 写错了。
对于问题中提到的 Pseudomonadota 与 Pseudomonadati,按标签提取只能解决“值来自哪个等级”的问题,不能判断分类名称本身是否正确。这部分需要另行核对所采用的分类资料。
备注:内容仅供参考。
