var page = UrlFetchApp.fetch(contestURL);
var doc = XmlService.parse(page);
上面的代码在使用时会出现解析错误，但是如果我将 XmlService 类替换为已弃用的 Xml 类，并设置了 lenient 标志，它会正确解析 html。
var page = UrlFetchApp.fetch(contestURL);
var doc = Xml.parse(page, true);
该问题主要是由于 html 的 javascript 部分中没有 CDATA 引起的，并且解析器抱怨以下错误。
The entity name must immediately follow the '&' in the entity reference.
即使我删除了所有<script>(.*?)</script>使用的正则表达式，它仍然会抱怨，因为<br>标签没有关闭。是否有一种干净的方法可以将 html 解析为 DOM 树。
我遇到了这个完全相同的问题。我能够通过首先使用 deprecated 来规避它Xml.parse，因为它仍然有效，然后选择主体 XmlElement，然后将其 Xml 字符串传递到新XmlService.parse方法中：
var page = UrlFetchApp.fetch(contestURL);
var doc = Xml.parse(page, true);
var bodyHtml = doc.html.body.toXmlString();
doc = XmlService.parse(bodyHtml);
var root = doc.getRootElement();
注意：如果旧版本Xml.parse已从 Google Scripts 中完全删除，则此解决方案可能不起作用。
在 2021 年，.gs我所知道的在这方面解析 HTML 的最佳方法是……
const contentText = UrlFetchApp.fetch('https://www.somesite.com/').getContentText();
const $ = Cheerio.load(contentText);
$('.some-class').first().text();
就是这样——这可能是我们最接近在 GAS 中进行类似 jQuery 的 DOM 选择的方法。该.first()是很重要的，否则你可以提取更多的内容比你预期的（认为它是使用querySelector()代替querySelectorAll()）。
信用到期的信用：https : //github.com/tani/cheeriogs
自 2020 年 5 月起，您现在可以使用Cheerio 库为 Google Apps 脚本执行此操作。
返回维基百科主页的内容
const content = getContent_('https://en.wikipedia.org');
const $ = Cheerio.load(content);
Logger.log($('#mp-right').text());
返回<p>维基百科主页第一段的内容
const content = getContent_('https://en.wikipedia.org');
const $ = Cheerio.load(content);
Logger.log($('p').first().text());
要添加到您的项目：
选择
Resources - Libraries...在谷歌Apps脚本编辑器。1ReeQ6WO8kKNxoaA_O0XEQ589cIrRvEBA9qcWpNqdOP17i47u6N9M5Xh0在Add a library字段中输入项目密钥，然后单击“添加”。选择最高版本号，然后单击“保存”。
我发现在 google 应用程序中解析 html 的最佳方法是避免使用 XmlService.parse 或 Xml.parse。XmlService.parse 不适用于某些网站的错误 html 代码。
这里有一个基本示例，说明如何在不使用 XmlService.parse 或 Xml.parse 的情况下轻松解析任何网站。在此示例中，我从“wikipedia.org/wiki/President_of_the_United_States”中检索总统列表，并使用常规 javascript document.getElementsByTagName()，并将这些值粘贴到我的谷歌电子表格中。
1- 创建一个新的 Google Sheet；
2- 单击菜单工具 > 脚本编辑器...以打开带有代码编辑器窗口的新选项卡，并将以下代码复制到您的 Code.gs 中：
function onOpen() {
var ui = SpreadsheetApp.getUi();
ui.createMenu("Parse Menu")
.addItem("Parse", "parserMenuItem")
.addToUi();
}
function parserMenuItem() {
var sideBar = HtmlService.createHtmlOutputFromFile("test");
SpreadsheetApp.getUi().showSidebar(sideBar);
}
function getUrlData(url) {
var doc = UrlFetchApp.fetch(url).getContentText()
return doc
}
function writeToSpreadSheet(data) {
var ss = SpreadsheetApp.getActiveSpreadsheet();
var sheet = ss.getSheets()[0];
var row=1
for (var i = 0; i < data.length; i++) {
var x = data[i];
var range = sheet.getRange(row, 1)
range.setValue(x);
var row = row+1
}
}
3- 将 HTML 文件添加到您的 Apps 脚本项目。打开脚本编辑器并选择文件 > 新建 > Html 文件，并将其命名为“test”。然后将以下代码复制到您的 test.html 中
<!DOCTYPE html>
<html>
<head>
</head>
<body>
<input id= "mButon" type="button" value="Click here to get list"
onclick="parse()">
<div hidden id="mOutput"></div>
</body>
<script>
window.onload = onOpen;
function onOpen() {
var url = "https://en.wikipedia.org/wiki/President_of_the_United_States"
google.script.run.withSuccessHandler(writeHtmlOutput).getUrlData(url)
document.getElementById("mButon").style.visibility = "visible";
}
function writeHtmlOutput(x) {
document.getElementById('mOutput').innerHTML = x;
}
function parse() {
var list = document.getElementsByTagName("area");
var data = [];
for (var i = 0; i < list.length; i++) {
var x = list[i];
data.push(x.getAttribute("title"))
}
google.script.run.writeToSpreadSheet(data);
}
</script>
</html>
4- 保存您的 gs 和 html 文件并返回到您的电子表格。重新加载您的电子表格。单击“解析菜单”-“解析”。然后单击侧栏中的“单击此处获取列表”。
Xml.parse()有一个选项可以打开宽松解析，这有助于解析 HTML。请注意，该Xml服务已被弃用，并且较新的XmlService没有此功能。