Како извући податке са веб локације помоћу Гоогле табела

by
Tweet
Share
Share
Pin

Веб стругање представља моћну технику за издвајање информација са интернет страница и њихову аутоматску анализу. Иако је могуће ручно обавити овај процес, он често постаје заморан и одузима много времена. Зато алати за веб стругање омогућавају брже, ефикасније и јефтиније прикупљање података.

Занимљиво је да Гоогле табеле, захваљујући функцији ИМПОРТКСМЛ, могу послужити као ваш свеобухватни алат за веб стругање. Помоћу ИМПОРТКСМЛ функције, можете једноставно преузимати податке са веб страница и користити их за анализу, извештавање или било које друге задатке који се ослањају на податке.

Функција ИМПОРТКСМЛ у Гоогле табелама

Гоогле табеле имају уграђену функцију ИМПОРТКСМЛ, која омогућава увоз података из веб формата као што су КСМЛ, ХТМЛ, РСС и ЦСВ. Ова функција је посебно корисна ако желите да прикупљате податке са веб локација без потребе за сложеним програмирањем.

Основна синтакса ИМПОРТКСМЛ функције је следећа:

 =IMPORTXML(url, xpath_query)
  • url: УРЛ адреса веб странице са које желите да преузмете податке.
  • xpath_query: КСПатх упит који дефинише које податке желите да издвојите.

КСПатх (КСМЛ Патх Лангуаге) је језик који се користи за кретање кроз КСМЛ документе, укључујући и ХТМЛ. Он вам омогућава да прецизирате локацију података у оквиру ХТМЛ структуре. Разумевање КСПатх упита је кључно за ефикасну употребу ИМПОРТКСМЛ функције.

Разумевање КСПатх-а

КСПатх пружа различите функције и изразе за кретање и филтрирање података унутар ХТМЛ документа. Комплетан водич за КСМЛ и КСПатх превазилази обим овог чланка, па ћемо се фокусирати на основне КСПатх концепте:

  • Избор елемената: Елементе можете бирати користећи / и // за означавање путања. На пример, /html/body/div бира све див елементе унутар тела документа.
  • Избор атрибута: Атрибуте бирате користећи @. На пример, //@href бира све хреф атрибуте на страници.
  • Филтери предиката: Елементе можете филтрирати користећи предикате унутар угластих заграда ([ ]). На пример, /div[@class="container"] бира све див елементе са класом „container“.
  • Функције: КСПатх нуди различите функције као што су contains(), starts-with() и text() за извођење специфичних радњи, као што је провера садржаја текста или вредности атрибута.

Сада знате синтаксу ИМПОРТКСМЛ функције, имате УРЛ веб странице и знате који елемент желите да издвојите. Али како доћи до КСПатх-а елемента?

Не морате детаљно познавати структуру веб странице да бисте преузели њене податке помоћу ИМПОРТКСМЛ-а. Сваки прегледач има алат који вам омогућава да брзо копирате КСПатх било ког елемента.

Алат „Инспецт Елемент“ вам омогућава да преузмете КСПатх са веб елемената. Ево како:

  • Посетите веб страницу коју желите да стружете у свом прегледачу.
  • Пронађите елемент који желите да преузмете.
  • Десним кликом миша кликните на елемент.
  • Изаберите „Инспецт Елемент“ из контекстног менија. Прегледач ће отворити панел са ХТМЛ кодом веб странице, а релевантни елемент ће бити истакнут.
  • У панелу „Инспецт Елемент“, десним кликом миша кликните на истакнути елемент у ХТМЛ коду.
  • Кликните на „Копирај КСПатх“ да бисте копирали КСПатх адресу елемента у међуспремник.

Сада када имате све што вам је потребно, време је да видите ИМПОРТКСМЛ на делу и преузмете неке везе.

Како преузети везе са веб странице помоћу ИМПОРТКСМЛ-а

ИМПОРТКСМЛ омогућава извлачење различитих типова података са веб страница, укључујући везе, видео записе, слике и готово све елементе странице. Везе су посебно важан елемент у веб анализи и могу открити много тога о сајту само анализом страница ка којима воде.

ИМПОРТКСМЛ омогућава брзо преузимање веза у Гоогле табелама, које се касније могу анализирати користећи друге функције које Гоогле табеле нуде.

1. Преузимање свих веза

За преузимање свих веза са веб странице, користите следећу формулу:

 =IMPORTXML(url, "//a/@href")

Овај КСПатх упит бира све хреф атрибуте елемента, што резултира издвајањем свих веза на страници.

 =IMPORTXML("https://en.wikipedia.org/wiki/Nine_Inch_Nails", "//a/@href")

Горе наведена формула преузима све везе из чланка на Википедији.

Препоручљиво је да УРЛ веб странице ставите у посебну ћелију и онда се позивате на њу. Ово ће спречити да формула постане превише дуга и компликована. Исто важи и за КСПатх упит.

2. Преузимање текста свих веза

Да бисте издвојили текст веза заједно са њиховим УРЛ адресама, користите:

 =IMPORTXML(url, "//a")

Овај упит бира све елементе , а из добијених резултата можете издвојити и текст везе и њену УРЛ адресу.

 =IMPORTXML("https://en.wikipedia.org/wiki/Nine_Inch_Nails", "//a")

Горе наведена формула преузима текстове веза из истог чланка на Википедији.

Како преузети специфичне везе са веб странице помоћу ИМПОРТКСМЛ-а

Понекад је потребно преузети одређене везе на основу критеријума. На пример, можда вас интересују везе које садрже одређену кључну реч или се налазе у специфичном делу странице.

Уз добро познавање КСПатх-а, можете прецизно циљати било који елемент који вам је потребан.

1. Преузимање веза које садрже кључну реч

Да бисте преузели везе које садрже одређену кључну реч, користите функцију contains() у КСПатх-у:

 =IMPORTXML(url, "//a[contains(@href, 'keyword')]/@href")

Овај упит бира хреф атрибуте оних елемената где хреф атрибут садржи наведену кључну реч.

 =IMPORTXML("https://en.wikipedia.org/wiki/Nine_Inch_Nails", "//a[contains(@href, 'record')]/@href")

Горе наведена формула преузима све везе које садрже реч „record“ у свом тексту, у оквиру примера са чланком на Википедији.

2. Преузимање веза из одређеног одељка

За преузимање веза из одређеног одељка странице, потребно је навести КСПатх за тај одељак. На пример:

 =IMPORTXML(url, "//div[@class="section"]//a/@href")

Овај упит бира хреф атрибуте елемената унутар див елемената са класом „section“.

Слично, доња формула бира све везе унутар див елемента који има класу „mw-content-container“:

 =IMPORTXML("https://en.wikipedia.org/wiki/Nine_Inch_Nails", "//div[@class="mw-content-container"]//a/@href")

Треба напоменути да ИМПОРТКСМЛ можете користити за више од веб стругања. Функције ИМПОРТ породице можете користити за увоз табела са подацима са веб страница у Гоогле табеле.

Иако Гоогле табеле и Екцел деле већину функција, ИМПОРТ функције су специфичне за Гоогле табеле. За увоз података са веб локација у Екцел, мораћете да користите друге методе.

Поједноставите Веб Стругање помоћу Гоогле табела

Веб стругање помоћу Гоогле табела и функције ИМПОРТКСМЛ је прилагодљив и приступачан начин за прикупљање података са веб страница.

Савладавањем КСПатх-а и разумевањем како креирати ефикасне упите, можете откључати пуни потенцијал ИМПОРТКСМЛ-а и добити вредне увиде из веб ресурса. Зато почните да експериментишете и подигните своју веб анализу на виши ниво!