提取电子邮件 HTML 元素答案

【问题标题】：Extract email HTML Element提取电子邮件 HTML 元素
【发布时间】：2020-04-01 22:06:29
【问题描述】：

我正在尝试抓取一个页面，但我遇到了一个问题。这里首先是整个 HTML 页面的 HTML 部分

<article class="mod mod-Treffer" data-teilnehmerid="122085958708">
			
			<div data-wipe="{&quot;listener&quot;: &quot;click&quot;, &quot;name&quot;: &quot;Trefferliste Eintrag zur Detailseite&quot;, &quot;id&quot;: &quot;122085958708&quot;, &quot;synchron&quot;: true}" data-realid="2aeca1d2-2bc5-4070-ac4d-e16b10badca5" data-tnid="122085958708" target="_self">
				
		<div class="mod-hervorhebung">
	<p class="mod-hervorhebung--partnerHervorhebung" data-hervorhebungsstufe="3">Silber Partner</p>

	

	
</div>
		
			<picture class="trefferlisten_logo">
		<source media="(min-width: 768px)" srcset="https://ies.v4all.de/0122/GS/0122/5/8335/49428335_310x190.png">
		
		<img alt="" data-lazy-src="https://ies.v4all.de/0122/GS/0122/5/8335/49428335_310x190.png" src="https://ies.v4all.de/0122/GS/0122/5/8335/49428335_310x190.png">
	</picture>
		
		<h2 data-wipe-name="Titel">A &amp; S Billing Pflege-Service GmbH</h2>
		<p class="d-inline-block mod-Treffer--besteBranche">Ambulante Pflegedienste</p>
		
			
			<div class="mod mod-Stars mod-Stars--" title="2.9/5" data-float="2,9">

		<span class="mod-Stars__text" style="width: 58.000001907348632812500%;">2.9</span>

	</div>
			<span>2.9</span>
			<span>(8)</span>
		
	
		
		<address class="mod mod-AdresseKompakt">
		<p data-wipe-name="Adresse">
			Kirchenberg&nbsp;2‑4, 
			<span class="nobr">
				90482
				Nürnberg
			</span>
			(Mögeldorf)
			
		</p>

		<p class="mod-AdresseKompakt__phoneNumber" data-hochgestellt-position="end" data-wipe-name="Kontaktdaten">(0911) 60 00 99 77</p>

	</address>
		
	
			</div>
			
				<div class="aktionsleiste_kompakt">
		
	<div class="mod-gsSlider mod-gsSlider--noneOnWhite">
		<span class="mod-gsSlider__arrow mod-gsSlider__arrow--arrow" data-direction="left" data-show="false" data-wipe="{&quot;listener&quot;:&quot;click&quot;,&quot;name&quot;:&quot;Trefferliste: Aktionleiste-button-links&quot;}"></span>
		<span class="mod-gsSlider__arrow mod-gsSlider__arrow--arrow" data-direction="right" data-show="false" data-wipe="{&quot;listener&quot;:&quot;click&quot;,&quot;name&quot;:&quot;Trefferliste: Aktionleiste-button-rechts&quot;}"></span>
		<div class="mod-gsSlider__slider" data-initialized="true">
			
			
			
			
			
			
				
		
			<a class="contains-icon-homepage gs-btn" target="_blank" rel=" noopener" href="http://www.as-billing.de" data-wipe="{&quot;listener&quot;:&quot;click&quot;, &quot;name&quot;:&quot;Trefferliste Webseite-Button&quot;, &quot;id&quot;:&quot;122085958708&quot;}" data-isneededpromise="false">Webseite</a>
			
		

		
	
			
				
		
			<a class="contains-icon-email gs-btn" href="mailto:info@as-billing.de?subject=Anfrage%20%C3%BCber%20Gelbe%20Seiten" data-wipe="{&quot;listener&quot;:&quot;click&quot;, &quot;name&quot;:&quot;Trefferliste Email-Button&quot;, &quot;id&quot;:&quot;122085958708&quot;}" data-isneededpromise="false">E-Mail</a>
			
		

		
	
			
				
		
			
			<span class="contains-icon-route_finden gs-btn" data-wipe="{&quot;listener&quot;:&quot;click&quot;, &quot;name&quot;:&quot;Trefferliste Navigation-Button&quot;, &quot;id&quot;:&quot;122085958708&quot;}" data-parameters="{&quot;partner&quot;: &quot;googlemaps&quot;, &quot;searchquery&quot;: &quot;A%20%26%20S%20Billing%20Pflege-Service%20GmbH%20Kirchenberg%202-4%2090482%20N%C3%BCrnberg&quot;}" data-target="_blank">Route</span>
		

		
	
			
				
		
			
			<span class="contains-icon-details gs-btn" data-wipe="{&quot;listener&quot;:&quot;click&quot;, &quot;name&quot;:&quot;Trefferliste Actionbutton Mehr Details&quot;, &quot;id&quot;:&quot;122085958708&quot;}" data-parameters="{&quot;partner&quot;: &quot;gs&quot;, &quot;realId&quot;: &quot;2aeca1d2-2bc5-4070-ac4d-e16b10badca5&quot;, &quot;tnId&quot;: &quot;122085958708&quot;}">Mehr Details</span>
		

		
	
			
			
		</div>
	</div>

	</div>
			
			
			
			
		</article>

我第一次使用这些行

Dim post As Object

Set post = html.querySelectorAll(".mod-Treffer")

For i = 0 To post.Length - 1
Debug.Print post.Item(i).getElementsByTagName("h2")(0).innerText
Debug.Print post.Item(i).getElementsByTagName("Address")(0).getElementsByTagName("p")(1).innerText

'I am stuck with extracting the email
'HERE
Next i

此外，有时帖子对象没有电子邮件信息，因此我需要仅在找到时提取。

到目前为止的代码是这样的

    Const sURL As String = "https://www.gelbeseiten.de/Suche/Ambulante%20Pflegedienste/Bundesweit"
Dim http As MSXML2.XMLHTTP60, html As HTMLDocument

Set http = New MSXML2.XMLHTTP60
Set html = New MSHTML.HTMLDocument

With http
    .Open "Get", sURL, False
    .send
    html.body.innerHTML = .responseText
End With

Dim post As Object

Set post = html.querySelectorAll(".mod-Treffer")

Dim i As Long, r As Long
Range("A1").Resize(1, 3).Value = Array("Title", "Phone", "Email")
r = 2

For i = 0 To post.Length - 1
Cells(r, 1).Value = post.Item(i).getElementsByTagName("h2")(0).innerText
Cells(r, 2).Value = post.Item(i).getElementsByTagName("Address")(0).getElementsByTagName("p")(1).innerText


Next i

这是电子邮件部分的快照

【问题讨论】：

标签： html excel vba web-scraping css-selectors

【解决方案1】：

原问题：

在这种情况下，我将使用带有 contains 运算符的属性 = 值选择器通过字符串 mailto 来定位 href 属性。添加css选择器：[href*=mailto]

如果您使用querySelectorAll("[href*=mailto]")，您可以测试.Length 属性是否大于0，或者使用querySelector 并测试if Not querySelector("[href*=mailto]") Is Nothing。

如果设置为变量

Dim ele As Object

Set ele = html.document.querySelector("[href*=mailto]")
If Not ele Is Nothing Then
    Debug.Print ele.href  'do something with the href to parse out email
End If

更新问题：

对于更新后的问题，我将在 nodeList 中将当前节点的 outerHTML 转移到代理 HTMLDocument 变量中，以便我可以再次利用 querySelector 方法。我会按课程定位电子邮件。

Option Explicit

Public Sub GetListingInfo()

    Const URL As String = "https://www.gelbeseiten.de/Suche/Ambulante%20Pflegedienste/Bundesweit"
    Dim http As MSXML2.XMLHTTP60, html As MSHTML.HTMLDocument

    Set http = New MSXML2.XMLHTTP60
    Set html = New MSHTML.HTMLDocument

    With http
        .Open "Get", URL, False
        .send
        html.body.innerHTML = .responseText
    End With

    Dim post As Object, html2 As MSHTML.HTMLDocument

    Set post = html.querySelectorAll(".mod-Treffer")
    Set html2 = New MSHTML.HTMLDocument

    Dim i As Long, emailNode As Object

    With ActiveSheet

        .Range("A1").Resize(1, 3).Value = Array("Title", "Phone", "Email")

        For i = 0 To post.Length - 1

            html2.body.innerHTML = post.Item(i).outerHTML

            .Cells(i + 2, 1).Value = html2.querySelector("h2").innerText
            .Cells(i + 2, 2).Value = html2.querySelector(".mod-AdresseKompakt__phoneNumber").innerText

            Set emailNode = html2.querySelector(".contains-icon-email")

            If Not emailNode Is Nothing Then .Cells(i + 2, 3).Value = Replace$(emailNode.href, "mailto:", vbNullString)
        Next i
    End With
End Sub

【讨论】：

非常感谢。事实上，我会在我提到的 post 对象的循环中使用它，所以我将您的行更改为 Set ele = post.Item(i).querySelector("[href*=mailto]") 但这会引发错误。什么毛病？。我已经更新并把代码放到现在。
除了 vba 中的文档，您不能使用 querySelector
您希望检索多少封电子邮件？您将使用 querySelectorAll 来收集所有 mailto href 节点并循环提取 href
我没有在您现在添加到问题的 url 上看到任何电子邮件。搜索也不返回任何结果。有没有可以看到“标题”、“电话”、“电子邮件”的网址？
您不会注意到使用两个 HTMLDocument 的任何速度问题。不过，您可以使用 querySelector 访问更快的 css 选择器。

【解决方案2】：

非常感谢。我可以用这些线弄清楚

    If InStr(post.Item(i).getElementsByTagName("a")(1).href, "mailto:") Then
    Debug.Print Split(Split(post.Item(i).getElementsByTagName("a")(1).href, "mailto:")(1), "?")(0)
End If

但我欢迎任何其他改进和了解更多信息的建议。 * 经过测试，如果在元素中找不到电子邮件，我会遇到错误。如何避免错误？我可以使用On Error Resume Next。但我希望处理错误而不是跳过它。

** 编辑：我可以通过使用这种结构来解决第二点

    Dim emailObj As Object

Set emailObj = post.Item(i).getElementsByTagName("a")(1)
If Not emailObj Is Nothing Then
 If InStr(post.Item(i).getElementsByTagName("a")(1).href, "mailto:") Then
    Debug.Print Split(Split(post.Item(i).getElementsByTagName("a")(1).href, "mailto:")(1), "?")(0)
End If

代码有效，但有时无法正确抓取电子邮件.. 那是因为这一行

Set emailObj = post.Item(i).getElementsByTagName("a")(1)

有时对象未分配给 1。所以我的最后一个问题：无论分配的数字如何，我如何才能获取电子邮件数据？

在循环中，我尝试了这条线并没有用处

Set aNodeList = post.Item(i).querySelectorAll(".contains-icon-email")(0)

【讨论】：