Google Apps Script 網頁爬蟲麻煩事交給 Cheerio 解決，輕鬆解析 HTML 與 XML

之前用 Google Apps Script(簡稱 GAS)製作網頁爬蟲程式，為了解析 HTML 與 XML 分別寫了兩篇心得：

• Google Apps Script 爬網頁資料，解析 HTML 及操作 DOM 的技巧
• Google Apps Script 使用 XmlService 解析 XML 要注意的地方

其實前端環境用 jQuery 等函式庫處理 DOM 非常方便快速，習慣之後在後端處理 DOM 架構就會覺得很痛苦，要嘛想辦法自己做輪子，要嘛得學習駕馭別人另外做的變形輪子，如果後端也有 jQuery 可以用就好了。

有讀者留言提到 jsdom、cheerio 等關鍵字，這些都是 node.js 環境下用來處理 DOM 的 jQuery-like(仿 jQiery)模組。找了一下發現有國外網友做出用於 GAS 的 cheerio 版本，用了之後簡直是雨過天晴，後端也可以跟前端一樣輕鬆了，請見本篇 cheerio 的使用心得整理。

一、Cheerio 使用說明

1. 官網

首先這是 cheerio 的 node.js 官網：

• https://www.npmjs.com/package/cheerio

這裡有官方詳細的介紹、操作說明，以及 Github 網址。

由於全部都是英文，而且跟本篇主旨 GAS 環境沒有任何關係，可以隨意看看就好。


2. 說明書

如果是英文苦手，可以閱讀這篇的簡中翻譯：

• 通讀cheerio API

基本上如果會 jQuery 的話，不用看說明也會操作，基本常用的指令是一模一樣的。

但 cheerio 畢竟不等於 jQuery，如果有哪些 jQuery 操作方式不確定 cheerio 是否也有，就可以來這個網頁搜尋一下用法。

二、GAS 安裝 Cheerio

1. GAS 的 Cheerio 模組

在網路上找到 2 個 GAS 的 Cheerio 模組：

1. cheerio-gasify
2. cheeriogs

基本上第 1 個是原始版本，第 2 個是被 fork 之後的衍生版本，從 readme 說明來看也許功能比較強。

第 1 個 GAS 安裝說明完全沒有，第 2 個有 GAS 的安裝說明。然而結論是，測試的結果 2 個安裝後都無法直接使用。

經過多方測試後，第 1 個有找到解決方法，第 2 個找不出來，以下來看我怎麼調整第 1 個原始模組。


2. 安裝 cheerio-gasify



首先按照第 2 個的安裝說明，先在 Google Drive 新增一個 GAS 專案，然後點選單上的「資源」→「程式庫」

• A：貼上前面第 1 個版本提供的 project key 字串 MU756IKHJ2hAYP1glQmzgA4ZBvzIux02r
• B：版本選擇 cheerio@0.19.0
• 按「儲存」即可

3. 修改呼叫函數字串



上圖是官網提供的範例程式碼，但怎麼樣都無法執行，使用除錯模式後找到了原因，官網呼叫的函數 "cheerio_gasify" 並不存在，從偵錯畫面可看到只有 "cheeriogasify" 這個函數，所以應該是官網說明書的誤植。

把呼叫函數改成 cheeriogasify後果然就能正常執行了！

三、操作範例

1. HTML

直接拿第 2 個版本的程式碼，但改用原始版本的模組，來當作 HTML 範例程式碼：

function html_test() {
var cheerio = cheeriogasify.require('cheerio'),
response = UrlFetchApp.fetch("https://en.wikipedia.org"),
$ = cheerio.load(response.getContentText());

Logger.log($('#mp-right').text());
Logger.log($('p').first().text());
}
可自行測試看看，很方便就能用 jQuery 取得需要的 HTML 內容字串。


2. XML

之前這篇「Google Apps Script 使用 XmlService 解析 XML 要注意的地方」可看到，為了解析 XML 得瞭解一些複雜概念，現在使用 cheerio 什麼都不用懂，就像在操作 HTML 一般。

以下把之前 XmlService 的操作程式碼，直接改用 cheerio，真是簡單太多了：

function xml_test() {
var cheerio = cheeriogasify.require('cheerio'),
response = UrlFetchApp.fetch("https://www.youtube.com/feeds/videos.xml?playlist_id=UUgxXuXHJ4VwovSTvDiWlzZQ"),
$ = cheerio.load(response.getContentText()),
entries = $("entry"),
entry1 = entries.eq(0);

Logger.log(entry1.children("yt\\:videoId").text());
Logger.log(entry1.find("author name").text());
}
很方便就取得第一則影片的 id 以及標題，不過紅字這裡需要特別說明一下：

• yt:videoId這個元素使用了命名空間(namespace) "yt"，不能直接用 jQuery 直覺的作法
• 例如 $("yt:videoId") 會取不到東西，因為冒號 ":" 有特別的含意
• 解決方法參考這篇「Explain \\: escaping colon for xml namespace pseudo」，有說明原理
• 在冒號前面加上轉譯符號 "\\" 兩個斜線，就可以把冒號 ":" 視為字串了