Semalt elabora en URLitor - Very Cool Web Scraping & Data Extraction Tool
URLitor es una herramienta de extracción de datos y raspado web nueva pero efectiva. Para usar URLitor, solo necesita agregar una lista de todas las URL cuyo contenido desea raspar en línea en la plantilla provista. Luego debe especificar el elemento HTML que desea extraer de las páginas web y hacer clic en el botón Enviar. Es tan fácil como eso. Con esta herramienta, ya no es necesario hacer una copia o pegar desde el navegador.
xPath es un lenguaje que se usa para buscar información en archivos XML. Utiliza ciertas expresiones para seleccionar conjuntos de nodos o nodos en archivos XML. Las expresiones que entiende XPath son bastante similares a las que se utilizan con archivos o documentos informáticos normales.
Aunque XPath se usa con varios lenguajes de programación, esta herramienta se ha creado para usuarios que no tienen ningún conocimiento de programación. Por lo tanto, no es necesario ser un programador para hacer uso de él. Con esta herramienta, puede extraer datos de varias páginas HTML y XML.
Por simplicidad de uso, varias expresiones XPath de uso frecuente se han predefinido en un menú desplegable para que los usuarios solo tengan que seleccionar cualquiera de ellas según su objetivo. Sin embargo, los usuarios con mucha experiencia de XPath tienen la libertad de usar sus expresiones personalizadas cuando lo deseen.
La herramienta se ha diseñado con la capacidad de 100 URL en una sola sesión de raspado y requiere un máximo de 10 expresiones a la vez. En otras palabras, puede eliminar datos de un máximo de 100 URL a la vez.
Algunas expresiones XPath personalizadas importantes que pueden modificarse o agregarse se han esbozado a continuación:
1. // div [2] - Esta expresión selecciona el segundo div jerárquicamente;
2. // enlace [@ rel = 'canonical'] / @ href - Esta expresión selecciona la ubicación (ref) de la etiqueta que se usa para establecer el rel. atributo igual a canónico;
3. / html / head / meta [@ name = 'description'] / @ content - Esta expresión se usa para seleccionar contenido;
4. // * [@ class = 'class-name'] - Puede usar esta expresión para seleccionar todos los elementos con 'class-name' como clase CSS;
5. // h2 | // título - Esta expresión se puede utilizar para seleccionar tanto el primer H2 como el título de la página;
6. // * [nombre = 'h1' o nombre = 'título'] - Esta expresión funciona exactamente como la de arriba. Sin embargo, la expresión presentada arriba es mejor ya que es más corta;
7. // * [contains (@class, 'thumb')] - Esta expresión selecciona cada elemento que tiene clase CSS y también contiene 'thumb' para la extracción;
8. // parent :: * [text = 'Welcome'] - Esta expresión selecciona el elemento primario de cualquier elemento que tenga el texto 'Bienvenido';
Esta herramienta es una versión Beta y aún podría funcionar con algunos errores. Sin embargo, sigue siendo una gran herramienta para los usuarios con poco o ningún conocimiento de programación, ya que todas las expresiones utilizadas con frecuencia se han predefinido en un menú como se mencionó anteriormente.
Post a comment
