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.