Google Sheets: importXML para el web scraping

Una de las ca­ra­c­te­rí­s­ti­cas más im­po­r­ta­n­tes de Google Sheets, también llamada Hojas de cálculo de Google, es la capacidad de importar di­re­c­ta­me­n­te contenido de los sitios web: la función importXML() de Google Sheets extrae el contenido es­tru­c­tu­ra­do de un sitio web y lo tra­n­s­fie­re a la hoja de cálculo de Google que quieras.

La función de im­po­r­ta­ción “XML to Google Sheets” te será ex­tre­ma­da­me­n­te útil si quieres crear tablas a partir de datos di­s­po­ni­bles en Internet. En este artículo apre­n­de­rás a apro­ve­char esta po­si­bi­li­dad y te daremos algunas ideas para emplear co­rre­c­ta­me­n­te esta práctica función de Google Sheets.

La función importXML() extrae los datos es­tru­c­tu­ra­dos de los proyectos web y los introduce en las celdas de una hoja de cálculo de Google.

Para ello, debes escribir la siguiente función en el software de Google:

En Google Sheets, importXML() tiene solo dos pa­rá­me­tros:

• URL: la dirección web de la que quieres obtener los datos. Resulta más fácil si la copias di­re­c­ta­me­n­te en la barra de di­re­c­cio­nes del navegador.
• XPath: indica el campo de la hoja donde se im­po­r­ta­rán los datos.

Si indicas los pa­rá­me­tros di­re­c­ta­me­n­te en la función, debes ponerlos entre comillas. No obstante, es más fácil escribir los dos pa­rá­me­tros (sin comillas) en dos celdas de la tabla y, luego, hacer re­fe­re­n­cia a ellos en la fórmula. De esta manera, evitas tener que poner las comillas.

La función importXML() se puede utilizar con muchos fines. Las si­guie­n­tes cuatro posibles apli­ca­cio­nes son es­pe­cia­l­me­n­te in­te­re­sa­n­tes:

• Crear listas de enlaces
• Analizar datos es­tru­c­tu­ra­dos de páginas web
• Extraer contenido de texto
• Tra­n­s­fe­rir tablas HTML

En los si­guie­n­tes apartados, uti­li­za­re­mos estas cuatro opciones de uso para explicar cómo im­ple­me­n­tar importXML en Google Sheets.

2. Definir el XPath

En segundo lugar, definimos la in­fo­r­ma­ción de la ruta (XPath) para los tres elementos:

URL. El URL es un atributo de la etiqueta <a>, que se encuentra debajo de la etiqueta <h5>. Por lo tanto, el XPath queda así:

Texto de anclaje. El texto de anclaje es el contenido de la etiqueta <a> me­n­cio­na­da más arriba: //h5/a. Tomamos el XPath de arriba, omitiendo el atributo @href.

Breve de­s­cri­p­ción. Este XPath es un poco más co­m­pli­ca­do, porque no se encuentra en el mismo nivel je­rá­r­qui­co que la etiqueta <a>. Si nos limitamos a tomar el párrafo <p> como XPath, los textos ya no coinciden con el URL. Por lo tanto, definimos el párrafo que contiene la de­s­cri­p­ción como el elemento que sigue a la etiqueta <h5> en el mismo nivel je­rá­r­qui­co:

Ahora puedes seguir editando la tabla como de costumbre; cada celda contendrá los datos reales y no la fórmula.

Para ello, es­cri­bi­mos los datos del XPath en la primera fila e in­tro­du­ci­mos la función en la segunda fila (en el ejemplo, en la segunda columna):

La fórmula toma el URL de la primera columna y el XPath de la primera fila. Para expandir la fórmula hacia abajo y hacia la derecha, es­ta­ble­ce­mos la primera columna y la primera fila como re­fe­re­n­cia absoluta (símbolo $).

Para de­s­vi­n­cu­lar la tabla de los sitios web co­rre­s­po­n­die­n­tes, podemos se­le­c­cio­nar­la, copiarla y pegarla en una nueva hoja con el atajo de teclado [Mayús] + [Ctrl] + [V].

2. Definir el XPath

Para que solo se importen los titulares y no todos los demás enlaces de la página de inicio, tenemos que es­pe­ci­fi­car el XPath de forma un poco más precisa: solo se deben encontrar las etiquetas <a> de la clase “headline” y, entre ellas, solo aquellas dentro de la categoría “headlines-container”.

3. Utilizar la función en las Hojas de cálculo de Google

In­tro­du­ci­mos el URL y el XPath en una hoja de cálculo de Google vacía, en la columna de la izquierda. Así los tendremos a mano para escribir fá­ci­l­me­n­te la función:

Basta con una sola fórmula para importar una tabla de un sitio web a Google Sheets. Tomaremos, por ejemplo, una tabla en un artículo de Wikipedia sobre los modelos de Samsung Galaxy: para im­po­r­tar­la, solo ne­ce­si­ta­mos la etiqueta <table> en el XPath. Antes, sin embargo, tenemos que averiguar cuántas etiquetas <table> hay antes de la que nos interesa. La tabla que buscamos es la tercera de esa página web. De este modo, la fórmula quedaría así:

¡Listo! Con una sola fórmula en la celda B1, hemos importado co­rre­c­ta­me­n­te la tabla con todas las filas y columnas a la hoja de cálculo.

Como puedes ver, la función de im­po­r­ta­ción “XML to Google Sheets” es ex­tre­ma­da­me­n­te versátil y ahorra mucho tiempo y esfuerzo.