影刀RPA新手教程：表格数据批量提取完全指南——网页table、动态列表、无限滚动全攻略

作者：林焱 | 表格数据采了三年，各种坑都踩过

写在前面

表格数据批量提取，是影刀RPA最常用也最容易出问题的场景。

网页表格有标准table标签的，有div模拟的，有无限滚动的，有点击"加载更多"的。

不同结构用不同方法，选错了就是数据采不全或者采到重复数据。

我做过一个电商价格监控项目，光表格采集这块就迭代了四个版本才稳定。

这篇文章把各种表格类型的采集方法全部讲透，附带完整代码和实战案例。

模块一：安装与指令入口

表格数据提取的核心指令在指令区的"网页自动化"分类下面。

最重要的两个指令是：“获取相似元素列表"和"获取元素文本”。

"获取相似元素列表"用来批量捕获表格里同类型的元素，比如所有行的第一列。

"获取元素文本"用来读取单个元素的文本内容。

还有一个重要指令："数据表"相关指令，在"数据表"分类下面。

用来创建内存中的数据表，把采集到的数据存进去，最后导出Excel。

我当时踩过一个坑：采集到的数据直接打印，没有存数据表，流程一停数据全没了。

后来学乖了：所有采集到的数据，第一时间存数据表，流程结束再统一导出。

模块二：元素定位——表格结构的判断与XPath编写

在采集表格数据之前，必须先分析表格的DOM结构。

按F12打开开发者工具，用元素选择器点选表格中的一个单元格。

标准表格结构（table > tr > td）：

<table><tr><td>商品A</td><td>199元</td></tr><tr><td>商品B</td><td>299元</td></tr></table>

XPath定位所有商品名称（第一列）：

//table//tr//td[1]

div模拟的表格：

<divclass="table-row"><divclass="cell">商品A</div><divclass="cell">199元</div></div>

XPath定位所有商品名称：

//div[@class='table-row']//div[@class='cell'][1]

带表头的表格：

表头在thead里，数据在tbody里，XPath要注意排除表头行。

//table//tbody//tr//td[1]

正则配合XPath过滤数据：

有些单元格里混入了不需要的文本，可以用正则先提取再存储。

比如价格文本是"￥199.00 起"，用正则(\d+\.?\d*)提取数字部分。

模块三：变量与数据暂存

表格数据通常是批量采集的，需要用变量暂存再统一处理。

列表变量：适合存储单列数据，比如所有商品名称。

变量名：list_product_names 变量类型：列表

用"添加项到列表"指令，把每次循环采集到的名称追加进去。

数据表变量：适合存储多列数据，比如商品名称+价格+销量。

先"创建数据表"，定义列名：商品名称、价格、销量。

然后在循环里，每次采集完一行数据，用"数据表添加行"指令写入。

我当时用列表存多列数据，搞了三个列表分别存名称、价格、销量。

后来发现数据对齐很麻烦，改成数据表之后，逻辑清晰了很多。

全局变量控制采集范围：

用一个全局变量max_pages控制最多采集多少页。

流程里读取这个变量，达到页数后自动停止，不用改流程代码。

模块四：流程控制——循环采集的三种模式

表格数据采集中，流程控制的核心就是循环。

模式一：FOR计数循环（固定行数）

知道表格总共有多少行，用FOR循环从第1行遍历到最后一行。

FOR i = 1 到 总行数： XPath = //table//tr[POSITION]//td[1] （把 POSITION 替换为变量 i） [video(video-8NNQFJgm-1782934025774)(type-csdn)(url-https://live.csdn.net/v/embed/526818)(image-https://v-blog.csdnimg.cn/asset/582d14c3bd0451c5399cd990b56e2a0d/cover/Cover0.jpg)(title-拼多多店群自动化报活动上架！)] 获取元素文本，存入数据表

模式二：WHILE循环（不确定行数）

表格是动态加载的，不知道有多少行，用WHILE循环。

WHILE 存在"下一页"按钮： 获取当前页所有行数据 点击"下一页" 等待页面加载完成

模式三：无限循环+退出条件（动态列表）

根据素材里的经验：如果操作后元素会消失（比如点击"同意"后按钮消失），用无限循环每次点第一个元素。

WHILE TRUE： 获取相似元素列表（所有行的第一个按钮） IF 列表长度 == 0： 退出循环 点击列表[0]（第一个按钮） 等待操作完成

循环中的坑：页面刷新导致元素失效

根据素材：如果循环中原网页刷新了，之前获取的相似元素会失效。

正确做法是用FOR次数循环，每次循环内重新获取相似元素列表。

获取相似元素列表，保存到 list_rows（仅获取长度用） FOR i = 0 到 list_rows.length - 1： 重新获取相似元素列表（防止页面刷新导致失效） 取新的列表[i] 进行操作

模块五：网页自动化——三种表格类型的完整采集方案

方案一：标准table标签表格

这是最简单的情况，结构规范，XPath定位精准。

采集步骤：

第一步：用"获取相似元素列表"指令，获取所有行元素。

XPath：//table//tbody//tr

第二步：用FOR循环遍历每一行。

第三步：在循环体内，用XPath定位该行的各列单元格。

行内定位写法（相对XPath）：

.//td[1] 该行第一列 .//td[2] 该行第二列

注意开头的点号，表示相对于当前行元素，不是从根节点开始。

完整指令逻辑：

获取相似元素列表（//table//tbody//tr）→ 保存到 list_rows 创建数据表（列：名称、价格） FOR EACH row IN list_rows： 获取元素文本（row, XPath=.//td[1]）→ 名称 获取元素文本（row, XPath=.//td[2]）→ 价格 数据表添加行（名称, 价格） 数据表写入Excel（"输出.xlsx"）

方案二：div模拟的表格（动态列表）

现在很多网站用div+css模拟表格样式，不是真正的table标签。

这种表格的每一行是一个div，每行内的字段也是div。

采集步骤：

第一步：用"获取相似元素列表"指令，获取所有行div。

XPath：//div[@class='table-row']

第二步：FOR循环遍历每一行div。

第三步：在行div内用相对XPath获取各字段。

获取相似元素列表（//div[@class='table-row']）→ list_rows FOR EACH row IN list_rows： 获取元素文本（row, XPath=.//div[@class='cell-name']）→ 名称 获取元素文本（row, XPath=.//div[@class='cell-price']）→ 价格 数据表添加行

坑点：动态加载导致行数变化

页面滚动时会动态加载新行，之前获取的list_rows会过期。

解决方法：每次循环处理完一行后，重新获取list_rows，用索引i取当前行。

或者：每次只处理第一行，处理完删除或标记，然后重新获取列表。

这是素材里提到的"每次点第一个元素"的策略。

方案三：无限滚动表格

社交媒体系列网站常用无限滚动，滚动到底部自动加载更多内容。

采集步骤：

第一步：用"在网页上执行JavaScript"指令，滚动到页面底部。

function(element,input){window.scrollTo(0,document.body.scrollHeight);returndocument.body.scrollHeight;}

第二步：等待新内容加载（用"固定等待"或"等待元素存在"）。

第三步：判断是否已经加载完所有内容。

判断方法一：比较滚动前后的页面高度，高度不变说明到底了。

判断方法二：出现"没有更多了"的提示文字。

判断方法三：当前已采集的行数达到预期数量。

完整循环逻辑：

上次高度 = 0 当前高度 = 执行JS获取页面高度 WHILE 当前高度 > 上次高度： 获取当前所有行数据，存入数据表 执行JS滚动到底部 固定等待 2秒（等待新内容加载） 上次高度 = 当前高度 当前高度 = 执行JS获取页面高度 如果 出现"没有更多了"：退出循环

模块六：数据处理——采集后的清洗与转换

从网页上采集到的原始数据，往往不能直接用，需要清洗。

清洗场景一：价格数据去掉货币符号

采集到的价格文本：“￥199.00”、“$29.99”、“29.99元”

用"替换文本"指令，把"￥"、“$”、““元”、”," 全部替换为空。

然后用"转换为数字"指令，转成数字类型，方便后续比较和计算。

清洗场景二：去除空白字符

网页文本前后常有空格或换行符。

用"去除空格"指令，去掉首尾空格。

用"替换文本"指令，把换行符\n和制表符\t替换为空。

清洗场景三：合并相同数据

采集过程中可能因为页面刷新或重复加载，导致数据重复。

用"数据表去重"指令，根据指定列去重。

清洗场景四：筛选有效数据

比如只保留价格大于100的商品。

用"数据表筛选行"指令，条件设为"价格 > 100"。

模块七：鼠标键盘与图像识别的辅助作用

表格数据采集中，有时需要配合鼠标键盘操作。

场景一：滚动加载更多

前面讲过的无限滚动，除了用JS滚动，也可以用模拟鼠标滚轮。

用"鼠标滚动"指令，向下滚动一定距离。

但这种方式不如JS滚动精准，建议优先用JS方案。

场景二：点击"加载更多"按钮

有些表格不是无限滚动，而是有一个"加载更多"按钮。

用"点击元素"指令，捕获并点击这个按钮。

点击后等待新行出现，用"等待元素存在"指令等待新行的第一个单元格出现。

场景三：图像识别定位表格

如果表格结构极其复杂，无法用XPath定位，可以用图像识别。

截取某一列数据的图像作为模板，用"查找图像"指令定位。

但这种方式不稳定，只作为最后兜底方案。

模块八：进阶技能——JS注入提取复杂数据

有些表格数据不是直接存在DOM文本里，而是通过JS动态渲染的。

场景一：数据是存在data属性里的

<tddata-price="199.00">￥199</td>

用"获取元素属性"指令，读取data-price属性值。

或者用JS注入：

function(element,input){returnelement.getAttribute('data-price');}

场景二：数据是异步加载后插入的

页面HTML里没有数据，数据是通过Ajax请求获取的。

用JS注入直接读网页内的JS变量：

function(element,input){// 假设数据存在 window.__INITIAL_STATE__.productListreturnJSON.stringify(window.__INITIAL_STATE__.productList||[]);}

返回后，用"执行Python脚本"指令解析JSON字符串。

场景三：表格有合并单元格

合并单元格用rowspan或colspan属性表示。

用JS注入读取每个单元格的实际行数和列数，处理跨行跨列的数据对齐问题。

模块九：平台实战——电商搜索结果页全字段采集

用一个完整案例，把前面所有知识串起来。

案例背景：采集某电商网站搜索"手机"的结果页，提取前5页所有商品的：商品名称、价格、销量、店铺名称。

第一步：打开搜索结果页

用"打开网页"指令，URL填搜索结果页的URL。

第二步：等待表格加载完成

用"等待元素存在"指令，等待第一个商品名称元素出现。

第三步：处理标准表格

用"获取相似元素列表"获取所有商品行。

XPath：//div[@class='product-item']

第四步：循环提取每个商品的字段

FOR循环遍历每个商品行。

对每个行元素，用相对XPath提取各字段：

行元素 XPath=.//div[@class='name'] → 商品名称 行元素 XPath=.//div[@class='price'] → 价格 行元素 XPath=.//div[@class='sales'] → 销量 行元素 XPath=.//div[@class='shop'] → 店铺名称

每行数据提取完后，用"数据表添加行"保存。

第五步：翻页

用"点击元素"指令，点击"下一页"按钮。

用"等待元素存在"指令，等待新页面的第一个商品出现。

重复第三步到第五步，直到采集完5页或没有下一页。

第六步：数据清洗

用"数据表"指令，对价格列做清洗：去掉"￥"和","，转成数字。

第七步：导出Excel

用"数据表写入Excel"指令，导出到本地文件。

模块十：系统联动——采集数据的后续处理

表格数据采集完成后，往往需要和其他系统联动。

联动一：写入本地Excel

用"数据表写入Excel"指令，支持xlsx格式。

可以指定工作表名称、是否包含列头、起始单元格位置。

联动二：发送邮件（带附件）

采集完成后，用"发送邮件"指令，把Excel文件作为附件发送给相关人员。

联动三：调用API上传数据

用"发送HTTP请求"指令，把采集到的数据POST到内部系统的API接口。

数据需要先用"执行Python脚本"转成JSON格式。

联动四：写入数据库

用"执行Python脚本"指令，在Python脚本里用pymysql或sqlite3库，把数据写入数据库。

模块十一：工程化规范

当表格采集流程变复杂时，需要做好工程化管理。

规范一：采集字段统一命名

团队内部统一字段命名规范，比如：product_name、product_price、shop_name。

不要用"字段1"、"字段2"这种无意义名称。

规范二：采集失败重试机制

某行数据提取失败时，记录日志，跳过这行继续处理下一行。

不要因为一行数据出错导致整个采集流程中断。

用"尝试捕获错误"指令包住每行数据的提取逻辑。

规范三：采集进度保存

大数据量采集时，每隔一定行数保存一次进度。

如果流程意外中断，可以从上次进度继续，不用重新采集。

实现方法：每采集完一行，把行号写入本地文本文件。

重启流程时，先读取进度文件，从指定行号继续采集。

规范四：反爬应对策略

采集频率不要太高，每次操作后加1-2秒随机等待。

User-Agent可以用"执行Python脚本"随机生成，减少被识别为机器人的概率。

模块十二：速查表与常见报错

XPath定位表格元素速查

常见报错排查

数据清洗正则表达式速查

总结

表格数据批量提取是影刀RPA的核心能力，也是最容易出问题的地方。

核心思路是：先分析表格结构，再选择合适的采集方案，最后做好数据清洗。

标准table标签最简单，div模拟表格要注意动态加载，无限滚动要用JS辅助。

把所有方案都掌握了，市面上90%的网页表格你都能采。

如果你在表格采集中遇到了本文没覆盖的情况，可以访问 home.linyan.cloud 给我留言。

#影刀RPA #RPA教程 #表格数据提取 #网页表格采集 #动态列表 #无限滚动 #影刀新手 #RPA零基础 #数据抓取

作者：林焱