Extraer Datos del Website a Excel Automáticamente

Para extraer datos de websites, puede usar las herramientas de extracción de datos como Octoparse. Estas herramientas pueden extraer datos de website automáticamente y guardarlos en muchos formatos, como Excel, JSON, CSV, HTML o en su propia base de datos a través de API. Solo toma unos minutos puede extraer miles de líneas de datos, la mejor es que no se necesita codificación en este proceso.

Tome Google Search como ejemplo. Si estamos interesados en información sobre el "smoothie" y queremos extraer todos los títulos, descripciones y URLs de los resultados de búsqueda. Para extraer datos de Google Search, puede usar una plantilla de web scraping.

La plantilla es un crawler preformateado que listo para usar sin ninguna configuración. Hay más de 50 plantillas para elegir. Verá todas las plantillas desde sitios web de comercio electrónico como Amazon y eBay hasta canales de redes sociales como Facebook, Twitter e Instagram. Octoparse también ofrece plantillas personalizadas.

Para usar la plantilla, necesita instalar Octoparse en la computadora. Seleccione el modo "Task Template". Vaya a la plantilla de web scraping de Google Search en la categoría "search engine",

Abre la plantilla. Consulte las instrucciones y la salida de muestra para asegurarse de que esta plantilla le proporcionará los datos que necesita. Puede pasar el cursor sobre los campos de datos para ver qué elementos de los sitios web se extraerán.

Consulte los parámetros para comprender mejor lo que necesita ingresar. Los parámetros variarían en diferentes plantillas, porque necesitan diferentes términos de búsqueda para continuar. Puede ser una URL, una palabra clave, una lista de URL/palabras clave , la cantidad de páginas que desea obtener, etc. En este caso, debemos ingresar el término de búsqueda "smoothie"

Sigue haciendo clic en "use template", luego ingrese "smoothie" y presione "save and run". Si es una-vez proyecto, simplemente puede ejecutar el crawler en su computadora local. Mientras que, si está manejando un proyecto en curso, puede extraer datos en la  plataforma de la nube de Octoparse. Después de la extracción, puede exportarla a muchos formatos, como Excel, CSV y txt.

Si está tratando de extraer datos a gran escala, puede ingresar una lista de hasta 10,000 URL en el cuadro. En este caso, como solo estamos scraping solo un sitio web, peguemos la URL de destino en el cuadro y haga clic en "save URL" para continuar.

Cambie el navegador a Firefox 45. Ahora Octoparse ha cargado la página web en el navegador incorporado con éxito. Luego, debemos crear una paginación haciendo clic en el botón de página "Next" y seleccionando "Loop click next page" en el panel de Consejos de acción. Verá el bucle de paginación que acabamos de crear en el área de flujo de trabajo.

Ahora podemos extraer los datos. Haga clic en el título de un resultado de búsqueda y haga clic en "select all". Después de seleccionar todos los títulos, se resaltarán en verde. Haga clic en "extract text of the selected element" para extraer todos los títulos. Hagamos una pausa por un momento para ver el flujo de trabajo. Como veis, acabamos de construir un bucle extracción dentro del ciclo de paginación. Todo el proceso de extracción funcionará de esta manera: el bot primero abrirá la página web, extraerá los títulos en la primera página uno por uno, y luego pasará a la página siguiente para repetir la extracción hasta que la extracción se detenga o se complete.