全网首发，重要文档免费下载！彻底解锁Html.Table函数，轻松实现源码级网页数据提取 | Power BI

- 1 -

Excel PQ网爬功能的问题

我是大海，感谢关注【Excel到PowerBI】，本文较长，建议耐心阅读，如果一时时间有限，建议收藏，并及时回头阅读。

以前，在讲解用Excel的Power Query抓取网站内容的时候，主要使用Web.Page函数来提取其中的表格内容，但是，这个函数有很大的缺陷。

比如，我们通过国家统计局网站提取2021年的行政区域划分数据（http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2021/index.html），你会发现：

• 很多说明性的内容和省份的信息都是混在一张表里的
• 无法直接提取省份对应的链接信息

还有很多时候，网页的内容其实并不是表格，这时，就需要通过函数Web.Contents函数将网页的源代码读出来，再通过Lines.FromBinary转换成行或用文本函数或进行各种拆分、提取，才能从其中分离出所需要的内容，如果内容相对复杂，要提取数据则非常麻烦！

对网页结构代码不了解的朋友，可以先看一下以下视频，同时了解原来的数据提取方法：http://mpvideo.qpic.cn/0bf2lyaggaaai4amjoi525qvaxwdmnpaayya.f10002.mp4?dis_k=acf74b6c88c7360d959d4b7b9c937c3b&dis_t=1646024121&vid=wxv_2008920665164185601&format_id=10002&support_redirect=0&mmversion=false

- 2 -

PBI智能识别功能及其问题

现在，Power BI提供了智能识别的功能，可以提供很好的辅助，我们先用上面的例子进行操作，然后去看这个智能识别功能的原理是什么，并且学会怎么去调整和改进。

Step-01 从Web获取数据，输入网址后，即可看到按钮“使用示例添加表”：

Step-02 填选内容与智能识别、填充

在“使用示例添加表”中，在下方的表格中，填写2-3项需要提取的信息后，Power BI会自动识别出“同类”的信息进行填充：

也可以直接双击单元格进入编辑状态，此时，Power BI会提示可选的内容，按需要选择2-3项后，Power BI也会自动识别出“同类”的信息进行填充：

如果发现后续自动填充的内容不是自己想要的，那可以继续输入或选择，Power BI会随着选填的内容不断更新自动填充的内容，直到确认填充的内容是自己想要的后，单击“确定”按钮即可：

Step-03 转换数据

经过上面的填选内容和智能识别填充后，回到“导航器”里，会生成一个自定义的表，选择这个表后，单击“转换数据”，即可进入Power Query编辑器：

在PQ编辑器中，我们可以发现，前面所做的“使用示例添加表”操作，实际生成了步骤“从Html中提取的表”步骤，调用的是Html.Table函数：

同时，我们也可以看到，这个自动识别出来的内容并不全，所以，我们必须要深入了解这个数据提取方法背后的原理，然后通过适当的修改，最终提取到所有我们想要的数据。

- 3 -

Html.Table函数及其原理

Html.Table是啥？我们看看系统帮助——在Power Query里随便增加一个步骤（点编辑栏的“fx”按钮），输入公式“ =Html.Table”即可：

示例中的网页代码（去掉因直接放在函数内需要增加的多余双引号）其实比较简单，复制到文本文件里并修改扩展名为.html，用浏览器打开，代码对应的效果如下：

接下来我们看一下Html.Table后面的参数：

1、行筛选器：[RowSelector=".name"]

这个参数会决定提取结果中的“行”数，其中“.name”表示：按照属性class为name的每一个网页元素产生每一行。

这段网页代码里，只有一个元素的class属性值为name，所以，最终结果只有1行。

2、列名及数据选择：{{"Name", ".name"}, {"Title", "span"}}

这个参数是一个列表，列表里每1项代表1列，每1项由“{列名，取值筛选器，取值方式}”3项内容组成。

其中，第3项可以省略，省略的情况下，代表直接取网页元素中显示的值，如果要取网页元素对应的属性（如背后的链接等），在后面的例子里进行说明。

如前面的代码，最终得到结果表为：

如果我们把要提取内容的网页代码改为下面的样子：

仍然用同样的选择器，提取的结果将如下图所示：

结合网页代码、网页显示结果及提取结果，解析如下图所示：

1. [RowSelector = ".name]，确定结果表有2行
2. {"Name",".name"}，确定第1列列名为“Name”，取class为name的元素的值
3. {"Title","span"}，确定第2列列名为“Title”，取class为name元素后面的第1个span元素的值

- 4 -

实战及参考资源下载

再回到文章开始提到的提取省份名称及链接的例子，自动生成的步骤代码为：

Html.Table(
      源,
      {{"列 1", ".provincetr:nth-child(4) > TD"}, 
       {"列 2", ".provincetr:nth-child(4) > TD > A:nth-child(1):nth-last-child(1)", 
                  each [Attributes][href]?}
       }, 
    [RowSelector=".provincetr:nth-child(4) > TD"]
)

其中使用到的筛选器包括以下几个：

对照网页源代码，其中的选择器对应元素如下：

再仔细观察，Power BI自动生成的代码之所以只取了部分数据，是因为我们实际上需要提取所有class为provincetr下的td项，而不区分到底取哪一个位置的，所以，我们可以直接去掉限制:nth-child(4)，最终修改如下：

其中第2列取网页链接的代码中，使用了 第3个参数：each [Attributes][href]，这就是对于不直接取元素对应的网页上显示信息，而是取相关属性的用法。

但是，要注意的是，目前[Attributes]后接具体属性仅支持[href]和[src]，对于其他属性，不要直接加上属性名称，而是用 each [Attributes]提取所有属性后，再在Power Query中进行提取操作即可。

这个CSS选择器是不是非常强大？对于网页源码的内容简直是想怎么取就怎么取啊！！！

但是，前面的例子里，就貌似用了好多个不同的选择器，如“.name”、“span”等等，那到底还有什么其他可用的选择器？具体怎么用？这才是关键的问题！

实际上，Html.Table函数所使用的选择器，遵循W3C（万维网联盟）标准，可以在w3school里找到，为方便大家查阅，我已下载好并做成Excel文件，下载链接见文末：

如果看文档，官方给的类型就有60个！

不过，不用怕，就像Power Query里有900多个函数一样，你根本就不可能需要都学会，比如，用的多的就这么6个：

一般来说先理解这几个关键的就好了，真遇到其他情况，再查阅，碰到特别特别棘手的情况，再找人一起研究就是了。

Html.Table函数选择器、示例及说明文档

链接：https://pan.baidu.com/s/1A4Y4ZaO3SuUdg0e0ZKF6Gg

提取码：dhai