Google-Tabellen: importXML-Funktion für Web Scraping nutzen

Eine der wich­tigs­ten Ei­gen­schaf­ten von Google Tabellen bzw. Google Sheets ist die Fähigkeit, Inhalte von Webseiten direkt im­por­tie­ren zu können: Die Funktion Google Sheets importXML() liest struk­tu­rier­te Website-Inhalte aus und überträgt sie in das ge­wünsch­te Sheet der Google-Ta­bel­len­kal­ku­la­ti­on.

Dieser „XML to Google Sheets“-Import ist äußerst praktisch, wenn man Tabellen aus Daten erzeugen möchte, die online be­reit­ge­stellt werden. In diesem Artikel lernen Sie, wie Sie von dieser Mög­lich­keit Gebrauch machen können. Außerdem geben wir ein paar An­re­gun­gen, wie Sie dieses nützliche Feature von Google Tabellen sinnvoll einsetzen können.

Die Funktion importXML() liest struk­tu­rier­te Daten von Web­pro­jek­ten aus und fügt sie in die Zellen eines Ta­bel­len­blat­tes von Google Sheets ein.

Die Eingabe der Funktion in der Google-Software gestaltet sich dabei fol­gen­der­ma­ßen:

Google Sheets importXML() hat nur zwei Parameter:

• URL: Die Web­adres­se, von der Sie Daten holen möchten. Am ein­fachs­ten ist es, wenn Sie diese direkt aus der Adress­zei­le des Browsers kopieren.
   
• XPath: Die Angabe, an welcher Stelle der Seite die Daten sind, die Sie im­por­tie­ren wollen.

Wenn Sie die Parameter direkt in der Funktion angeben, müssen Sie sie in An­füh­rungs­zei­chen setzen. Einfacher ist es, wenn Sie die beiden Parameter (ohne An­füh­rungs­zei­chen) in zwei Ta­bel­len­zel­len schreiben und dann in der Formel-Funktion darauf verweisen. Damit ersparen Sie sich die An­füh­rungs­zei­chen.

importXML() ist viel­sei­tig ein­setz­bar. Besonders in­ter­es­sant sind dabei die folgenden vier An­wen­dungs­mög­lich­kei­ten:

• Erstellen von Link-Listen
• Analyse von struk­tu­rier­ten Webpage-Daten
• Ex­trak­ti­on von Text-Content
• Übernahme von HTML-Tabellen

In den nach­fol­gen­den Ab­schnit­ten erklären wir Ihnen anhand dieser vier An­wen­dungs­op­tio­nen, wie Sie importXML in Google Sheets konkret einsetzen können.

2. XPath de­fi­nie­ren

Im zweiten Schritt de­fi­nie­ren wir die Pfad­an­ga­ben (XPath) für die drei In­for­ma­tio­nen:

URL: Die URL ist ein Attribut des Tags <a>,der sich unterhalb des <h5>-Tags befindet. Der XPath lautet ent­spre­chend:

Ankertext: Der Ankertext ist der Inhalt des bereits oben de­fi­nier­ten <a>-Tags: //h5/a. Wir über­neh­men den XPath von oben und lassen das Attribut @href weg.

Kurz­be­schrei­bung: Dieser XPath ist etwas kniff­li­ger, da er sich nicht auf der gleichen Hier­ar­chie­stu­fe befindet wie der <a>-Tag. Wenn wir einfach den Absatz <p> als XPath nehmen, stimmen die Texte nicht mehr mit der URL überein. Deshalb de­fi­nie­ren wir den Absatz, der die Kurz­be­schrei­bung enthält, als dasjenige Element, das auf gleicher Hier­ar­chie­stu­fe nach dem <h5>-Tag folgt:

Diese Tabelle können Sie auf die gewohnte Art und Weise weiter be­ar­bei­ten; die einzelnen Zellen enthalten dabei die ei­gent­li­chen Daten und nicht die Formel.

Hierzu schreiben wir die XPath-Angaben in die oberste Zeile und bauen die Funktion in der zweiten Zeile zusammen (Beispiel: zweite Spalte):

Die Formel entnimmt die URL aus der ersten Spalte und den XPath aus der obersten Zeile. Damit wir die Formel nach unten und nach rechts erweitern können, setzen wir die erste Spalte und die erste Zeile als absoluten Bezug ($-Symbol).

Um die Tabelle von den ver­link­ten Websites ab­zu­kop­peln, können wir sie markieren, kopieren und mit der Kom­bi­na­ti­on [Shift] + [Ctrl] + [V] in ein neues Ta­bel­len­blatt einfügen.

2. XPath de­fi­nie­ren

Damit aus­schließ­lich die Headlines aus­ge­ge­ben werden und nicht auch alle übrigen Links auf der Homepage, müssen wir den XPath al­ler­dings ein bisschen exakter spe­zi­fi­zie­ren: Gefunden werden sollen nur <a>-Tags der Klasse „headline“, und zwar nur solche, die sich innerhalb des Ab­schnit­tes der Klasse „headlines-container“ befinden.

3. Die Funktion in der Google Tabelle anwenden

URL und XPath tragen wir in einem leeren Google-Ta­bel­len­blatt in die Spalte ganz links ein. Von dort können wir sie bequem „holen“, um die Funktion zu schreiben:

Um eine Tabelle von einer Webseite in Google Sheets zu über­tra­gen, genügt eine einzige Formel. Nehmen wir zum Beispiel eine Tabelle in einem Beitrag von Wikipedia über die Samsung Galaxy Modelle: Um diese Tabelle zu im­por­tie­ren, benötigen wir lediglich den <table>-Tag im XPath. Al­ler­dings müssen wir noch her­aus­fin­den, wie viele <table>-Tags vor unserer Tabelle vorkommen. Die von uns gesuchte Tabelle ist die dritte auf dieser Webseite. Die Formel dazu lautet ent­spre­chend:

Voilà! Mit einer einzigen Formel in der Zelle B1 haben wir die gesamte Tabelle mit allen Zeilen und Spalten korrekt in das Ta­bel­len­blatt über­nom­men.

Sie sehen: Der „XML to Google Sheets“-Import ist enorm viel­sei­tig ein­setz­bar und spart eine Menge Zeit und Arbeit.