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.