Fogli Google: come uti­liz­za­re la funzione importXML per il web scraping

Una delle ca­rat­te­ri­sti­che più im­por­tan­ti di Fogli Google è la pos­si­bi­li­tà di importare contenuti di­ret­ta­men­te dai siti web: la funzione importXML() di Fogli Google legge, infatti, i contenuti strut­tu­ra­ti di un sito web e li tra­sfe­ri­sce nel foglio di lavoro Google de­si­de­ra­to.

La funzione di im­por­ta­zio­ne “XML to Google Sheets” è par­ti­co­lar­men­te utile quando si desidera creare tabelle da dati forniti online. In questo articolo im­pa­re­re­te come uti­liz­za­re e sfruttare al meglio questa utile opzione.

La funzione importXML() legge dati strut­tu­ra­ti di progetti web e li inserisce nelle celle di un foglio di lavoro di Fogli Google.

Procedete nel modo seguente per eseguire la funzione nel software Google:

importXML() di Fogli Google ha solo due parametri:

• URL: l’indirizzo web da cui si desidera estrarre i dati. Il modo più semplice per farlo è copiarlo di­ret­ta­men­te dalla barra degli indirizzi del browser.
• XPath: in­di­ca­zio­ne della posizione specifica in cui sono po­si­zio­na­ti i dati che si desidera importare.

Se spe­ci­fi­ca­te i parametri di­ret­ta­men­te nella funzione, è ne­ces­sa­rio rac­chiu­der­li tra vir­go­let­te. Per evitare di doverli inserire tra vir­go­let­te, è possibile scrivere i due parametri in due celle di una tabella e farvi quindi ri­fe­ri­men­to nella funzione della formula. In questo modo non è ne­ces­sa­rio inserire le vir­go­let­te.

importXML() è molto versatile. Di par­ti­co­la­re interesse sono le seguenti quattro possibili ap­pli­ca­zio­ni:

• Creazione di liste di link
• Analisi di dati strut­tu­ra­ti di siti web
• Estra­zio­ne di contenuto testuale
• Im­por­ta­zio­ne di tabelle HTML

Nelle sezioni seguenti vi spie­ghe­re­mo come uti­liz­za­re importXML in Fogli Google in base a questi quattro scenari d’utilizzo.

2. Definire XPath

Nel secondo passaggio vengono definite le in­for­ma­zio­ni sul percorso (XPath) per le tre in­for­ma­zio­ni di cui abbiamo bisogno:

URL: l’URL è un attributo del tag <a> che è po­si­zio­na­to sotto il tag <h5>. L’XPath è quindi il seguente:

Testo di an­co­rag­gio: il testo di an­co­rag­gio è il contenuto del tag <a> che abbiamo già definito sopra: //h5/a. Ri­pren­dia­mo l’XPath di sopra togliendo l’attributo @href.

De­scri­zio­ne breve: l’XPath è, in questo caso, un po’ più com­pli­ca­to perché non si trova allo stesso livello ge­rar­chi­co del tag <a>. Se pren­des­si­mo sem­pli­ce­men­te il paragrafo <p> come XPath, i testi non cor­ri­spon­de­reb­be­ro più all’URL. Pertanto, dobbiamo definire come paragrafo che contiene la de­scri­zio­ne breve l’elemento che si trova allo stesso livello ge­rar­chi­co dopo il tag <h5>:

È possibile mo­di­fi­ca­re questa tabella nel modo consueto. Le singole celle con­ten­go­no i dati effettivi e non la formula.

A tale scopo, scriviamo le in­for­ma­zio­ni XPath nella riga superiore e inseriamo la funzione nella seconda riga (seconda colonna nell’esempio):

La formula prende l’URL dalla prima colonna e l’XPath dalla riga superiore. Per espandere la formula verso il basso e verso destra, im­po­stia­mo la prima colonna e la prima riga come ri­fe­ri­men­to assoluto (con il simbolo $).

Per scol­le­ga­re la tabella dai siti linkati, possiamo evi­den­ziar­la, copiarla e inserirla in un nuovo foglio di calcolo uti­liz­zan­do la com­bi­na­zio­ne di tasti [Shift] + [Ctrl] + [V].

2. Definire XPath

Per estrarre solo i titoli e non tutti gli altri link sulla homepage, dobbiamo tuttavia definire l’XPath in modo più preciso: vogliamo trovare solo i tag <a> della classe “headline”, vale a dire solo quelli che si trovano all’interno della sezione della classe “headlines-container”.

3. Applicare la funzione nel foglio di lavoro di Google

Inseriamo l’URL e l’XPath in un foglio di lavoro Google vuoto nella prima colonna a sinistra. Da lì possiamo “re­cu­pe­rar­li” co­mo­da­men­te per scrivere la funzione:

Per tra­sfe­ri­re una tabella da un sito web a Fogli Google basta una singola formula. Per esempio, prendiamo una tabella sui modelli di Samsung Galaxy da un articolo di Wikipedia: per importare questa tabella, abbiamo bisogno soltanto del tag <table> nell’XPath. Tuttavia, dobbiamo capire quanti tag <table> appaiono davanti alla tabella di nostro interesse. La tabella che vogliamo importare è la terza della pagina web. La formula si presenta quindi così:

Ecco qua! Con una singola formula nella cella B1, abbiamo importato cor­ret­ta­men­te nel foglio di calcolo l’intera tabella con tutte le righe e le colonne.

Come vedete, la funzione di im­por­ta­zio­ne “XML to Google Sheets” è estre­ma­men­te versatile e consente di ri­spar­mia­re molto tempo e lavoro.