Google Táblázatok webkaparása: Egyszerű útmutató 2023-hoz

A webkaparás hatékony eszköz lehet adatok kinyerésére a webhelyekről, de összetett és időigényes folyamat is lehet. Szerencsére a Google Táblázatok felhasználóbarát megoldást kínálnak a webhelyek adatainak összegyűjtésére anélkül, hogy bonyolult kódot kellene írnia. A Google Táblázatok erejének kihasználásával könnyedén kinyerhet adatokat a weboldalakról, és különféle módokon elemezheti azokat. Ebben a blogban végigvezetem Önt a Google Táblázatok használatával weboldalak kaparására, és segítek kibontakozni a webkaparásban rejlő lehetőségeket saját projektjeihez. Szóval, kezdjük!

A webkaparás időigényes, összetett lehet, és sok kódolást igényel. Nem kódolóknak. A Google Táblázatok kiváló alternatíva a webkaparáshoz. A Google-lapok webkaparása nem igényel kódolást, és számos módot kínál a webhelyadatok elemzésére.

Ebben a blogban látni fogjuk, hogyan használhatja a Google Táblázatokat weboldalak egyszerű kaparására. Tehát kezdjük!

Miért használja a Google Táblázatokat webkaparáshoz?

Számos oka lehet annak, hogy a Google Táblázatok nagyszerű eszköz a webkaparáshoz:

• A Google Táblázatok felhasználóbarát és ismerős felülettel rendelkezik.
• Nem igényel programozási nyelv ismereteket.
• A Google Táblázatok bárhonnan elérhető.
• A Google Táblázatok ingyenes, így magánszemélyek és kisvállalkozások számára megfizethető.
• A Google könnyen integrálható más Suite-eszközökkel.
• Makrók vagy szkriptek segítségével automatizálhatja a webkaparási feladatokat.
• Könnyedén elemezheti a kimásolt adatokat a Google Sheet képletekkel.

---

Szöveg kibontása bármely weboldalról egyetlen kattintással. Irány a Nanonets weboldal kaparó, Adja hozzá az URL-t, kattintson a „Scrape” gombra, és azonnal töltse le a weboldal szövegét fájlként. Próbáld ki most ingyen.

‌

---

‌

Milyen funkciókat kell használni a Google Táblázatok webkaparásához?

Íme néhány funkció, amelyeket akkor használhat, ha weboldalakat kell kimásolnia a Google Táblázatok használatával.

IMPORTHTML:

Táblázatok és listák kibontása HTML oldalakról.

=IMPORTHTML(url, query, index)

• url: Ez a lemásolni kívánt weboldal linkje
• lekérdezés: Az adattípus – Táblázat, Lista
• index: Ha egy adott táblát szeretne kibontani, akkor ezt használhatja

Példa:

=IMPORTHTML("https://en.wikipedia.org/wiki/List_of_countries_by_GDP_(nominal)","table",1)

IMPORTXML:

Adatok kinyerése XML-oldalakról.

=IMPORTXML(url, xpath_query)

• url: Ez a link a kimásolni kívánt weboldalra
• xpath_query: az XPath kifejezés, amely azonosítja a kinyerni kívánt adatokat

Példa:

=IMPORTXML("https://www.w3schools.com/xml/note.xml", "//note/to")

IMPORTADATOK:

Adatok kibontása CSV- és TSV-fájlokból.

=IMPORTDATA(url)

• url: annak a CSV- vagy TSV-fájlnak az URL-címe, amelyből adatokat szeretne kinyerni

Példa:

=IMPORTDATA("https://www.stats.govt.nz/assets/Uploads/Annual-enterprise-survey/Annual-enterprise-survey-2021-financial-year-provisional/Download-data/annual-enterprise-survey-2021-financial-year-provisional-size-bands.csv")

REGEXTRACT:

Ez a függvény olyan adatokat tud kivonni, amelyek megfelelnek egy reguláris kifejezésmintának.

=REGEXEXTRACT(text, regular_expression)

• szöveg: az a szöveg, amelyben a mintát keresni kívánja
• reguláris_kifejezés: a megfeleltetni kívánt minta

Példa:

=REGEXEXTRACT("1 pound = $1.40", "$d+.d+")

Megjegyzés: Előfordulhat, hogy ezek a funkciók nem működnek minden egyes webhelyen. Ez a weboldal elrendezésétől függ. Ha több adatra van szüksége, akkor Python és Java használatával webkaparási oktatóanyagokat vehet igénybe, vagy használhat webhely-szöveg eszközt, például Nanoneteket.

Próbáljunk kicsomagolni egy HTML-táblázatot a Google Táblázatokba. Megpróbáljuk lekaparni az asztalt a Az Akadémia-díjas filmek listája Wikipédia-oldal.

1. Nyissa meg a Google Táblázatokat.
2. Egy új cellába írja be: =IMPORTHTML(url, lekérdezés, index)

1. A kódunk a következő lesz:

 =IMPORTHTML("https://en.wikipedia.org/wiki/List_of_Academy_Award-winning_films","table",1) 

=IMPORTHTML("https://en.wikipedia.org/wiki/List_of_Academy_Award-winning_films","table",1)

lekaparja az első táblázatot a Wikipédia oldalán

3. Ellenőrizze az eredményeket

Hogyan lehet adatokat kaparni a Google Táblázatok webkaparásával?

Nézzük meg, hogyan lehet címeket, leírásokat, H1-et és egyebeket kimásolni a Google Táblázatok segítségével. A Google Táblázatok H1-kaparásának megkezdéséhez az IMPORTXML függvényt használjuk erre a célra. Nanonets oldal. Íme a lépések:

• Nyisson meg egy új vagy meglévő Google-táblázatot.
• Egy cellába írja be a következő képletet:

=IMPORTXML(“https://nanonets.com/image-to-text”, “//h1/text()”)

• A H1 címke kibontásához használja a következő XPath kifejezést: //h1/text()
• A title címke kibontásához használja a következő XPath kifejezést: //title/text()
• A meta description címke kibontásához használja a következő XPath kifejezést: //meta[@name='description']/@content
• Az összes oldalhivatkozás kibontásához használja a következő XPath kifejezést: //a/@href

Nyomja meg az Enter billentyűt, és a Google Táblázatok automatikusan kikaparja az adatokat, és megjeleníti azokat a kiválasztott cellában.

Ezután a képletet más cellákba másolhatja, hogy további adatokat kaparjon le ugyanarról vagy különböző weboldalról.

---

Szöveg kibontása bármely weboldalról egyetlen kattintással. Irány a Nanonets weboldal kaparó, Adja hozzá az URL-t, kattintson a „Scrape” gombra, és azonnal töltse le a weboldal szövegét fájlként. Próbáld ki most ingyen.

‌

---

Milyen hátrányai vannak a Google Sheets Web Scraper használatának?

• A Google Táblázatok funkciói korlátozottak. Ha összetett elrendezésről van szó, nem tudja kezelni a dinamikus tartalmat.
• Adateltérések adódhatnak az adatoknak a Google Táblázatok internetes lekaparási képleteivel történő lemásolása során.
• Amikor adatokat másol le webhelyekről, véletlenül érzékeny vagy bizalmas információkat is lekaparhat. Ez adatvédelmi és biztonsági aggályokat vethet fel, különösen, ha a kimásolt adatokat megosztják vagy nem biztonságos helyen tárolják.

Tipp: A Google Sheets Web Scraping nagyszerű alternatíva az olyan nem bonyolult webes lemásolási feladatokhoz, mint a metacímek, listák vagy táblázatok kivonatolása. Összetett feladatokhoz webkaparó eszközöket kell használnia.

GYIK

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
• Forrás: https://nanonets.com/blog/scrape-websites-using-google-sheets-formulas/