SCRAPE_BY_CSS_PATH

Por defecto, SCRAPE_BY_CSS_PATH devuelve el contenido de texto visible del elemento coincidente, que es lo que un usuario ve en la página. Cuando especificas un parámetro de atributo, extrae el valor de ese atributo HTML en su lugar. Por ejemplo, una etiqueta anchor <a href="https://example.com" class="link">Haz clic aquí</a> devolvería "Haz clic aquí" sin un atributo, pero devolvería "https://example.com" si estableces el atributo en "href". Los atributos comunes incluyen "href" para enlaces, "src" para imágenes, "alt" para descripciones de imágenes, "content" para meta etiquetas y cualquier atributo personalizado "data-*".

Habilita renderJs cuando el contenido que quieres extraer se carga dinámicamente vía JavaScript. Las señales de que lo necesitas incluyen: la función devuelve resultados vacíos o "No se encontraron coincidencias" aunque puedas ver el contenido en tu navegador; el sitio web es una aplicación de página única construida con React, Vue, Angular o frameworks similares; el contenido se carga después de desplazarse o después de un retraso; o la página muestra un spinner de carga antes de que aparezca el contenido. El modo estándar es más rápido y económico, así que intenta sin renderJs primero y solo habilítalo si es necesario.

Cada llamada a SCRAPE_BY_CSS_PATH apunta a un selector CSS, pero ese selector puede coincidir con múltiples elementos del mismo tipo (todos devueltos como filas). Para extraer diferentes tipos de elementos (por ejemplo, tanto títulos como precios), haz llamadas de función separadas con diferentes selectores. Puedes combinar selectores CSS con comas para coincidir con múltiples tipos de elementos en una llamada, por ejemplo ".title, .price", pero los resultados estarán intercalados. Para extracción de datos estructurados donde necesitas mantener los títulos emparejados con sus precios, usa columnas separadas con un selector por columna.

La función devuelve hasta 500 elementos coincidentes por llamada. Si la página contiene más de 500 elementos coincidentes, solo se devuelven los primeros 500. Para la mayoría de casos de uso esto es más que suficiente. Si necesitas extraer páginas con números extremadamente grandes de elementos, considera usar selectores CSS más específicos para reducir los resultados, o usa parámetros de paginación si el sitio web objetivo los soporta.

SCRAPE_BY_CSS_PATH accede a las páginas como un visitante anónimo sin cookies ni datos de sesión. No puede extraer contenido detrás de muros de inicio de sesión, paywalls o barreras de autenticación. El scraper no soporta enviar cookies, headers o credenciales. Para contenido autenticado, necesitarías encontrar una API pública para ese servicio o usar una fuente de datos alternativa. Algunos sitios web ofrecen APIs JSON públicas o feeds RSS que pueden proporcionar los datos que necesitas sin autenticación.

El scraper hace solicitudes HTTP similares a un navegador web y no verifica ni aplica automáticamente las reglas de robots.txt. Sin embargo, debes revisar y respetar el archivo robots.txt del sitio web objetivo y los términos de servicio antes de extraer. La extracción excesiva puede llevar a que tu IP sea bloqueada. Usa la función responsablemente, evita extraer a alta frecuencia y respeta los límites de tasa. Unlimited Sheets aplica su propia limitación de tasa para prevenir abusos.

SCRAPE_BY_CSS_PATH es una función independiente que reemplaza la necesidad de IMPORTXML o IMPORTHTML en muchos casos. A diferencia de IMPORTXML, usa selectores CSS (que son más intuitivos para la mayoría de usuarios) en lugar de expresiones XPath. A diferencia de IMPORTHTML, puede apuntar a cualquier elemento en la página, no solo tablas y listas. Puedes usar SCRAPE_BY_CSS_PATH junto con funciones nativas de Google Sheets en la misma hoja de cálculo sin conflictos.