SCRAPE_BY_CSS_PATH

Par défaut, SCRAPE_BY_CSS_PATH renvoie le contenu texte visible de l'élément correspondant, qui est ce qu'un utilisateur voit sur la page. Lorsque vous spécifiez un paramètre d'attribut, il extrait la valeur de cet attribut HTML à la place. Par exemple, une balise anchor <a href="https://example.com" class="link">Cliquez ici</a> renverrait "Cliquez ici" sans attribut, mais renverrait "https://example.com" si vous définissez l'attribut sur "href". Les attributs courants incluent "href" pour les liens, "src" pour les images, "alt" pour les descriptions d'images, "content" pour les balises meta et tout attribut personnalisé "data-*".

Activez renderJs lorsque le contenu que vous voulez extraire est chargé dynamiquement via JavaScript. Les signes que vous en avez besoin incluent : la fonction renvoie des résultats vides ou "Aucune correspondance trouvée" même si vous pouvez voir le contenu dans votre navigateur ; le site web est une application monopage construite avec React, Vue, Angular ou des frameworks similaires ; le contenu se charge après le défilement ou après un délai ; ou la page affiche un spinner de chargement avant que le contenu n'apparaisse. Le mode standard est plus rapide et moins cher, donc essayez sans renderJs d'abord et activez-le uniquement si nécessaire.

Chaque appel à SCRAPE_BY_CSS_PATH cible un sélecteur CSS, mais ce sélecteur peut correspondre à plusieurs éléments du même type (tous renvoyés en lignes). Pour extraire différents types d'éléments (par exemple, à la fois des titres et des prix), effectuez des appels de fonction séparés avec différents sélecteurs. Vous pouvez combiner des sélecteurs CSS avec des virgules pour correspondre à plusieurs types d'éléments en un seul appel, par exemple ".title, .price", mais les résultats seront entrelacés. Pour l'extraction de données structurées où vous devez garder les titres associés à leurs prix, utilisez des colonnes séparées avec un sélecteur par colonne.

La fonction renvoie jusqu'à 500 éléments correspondants par appel. Si la page contient plus de 500 éléments correspondants, seuls les 500 premiers sont renvoyés. Pour la plupart des cas d'usage, c'est largement suffisant. Si vous devez extraire des pages avec un nombre extrêmement important d'éléments, envisagez d'utiliser des sélecteurs CSS plus spécifiques pour réduire les résultats, ou utilisez des paramètres de pagination si le site web cible les prend en charge.

SCRAPE_BY_CSS_PATH accède aux pages en tant que visiteur anonyme sans cookies ni données de session. Il ne peut pas extraire de contenu derrière des murs de connexion, des paywalls ou des barrières d'authentification. Le scraper ne prend pas en charge l'envoi de cookies, d'en-têtes ou d'identifiants. Pour du contenu authentifié, vous devriez trouver une API publique pour ce service ou utiliser une source de données alternative. Certains sites web offrent des APIs JSON publiques ou des flux RSS qui peuvent fournir les données dont vous avez besoin sans authentification.

Le scraper effectue des requêtes HTTP similaires à un navigateur web et ne vérifie ni n'applique automatiquement les règles robots.txt. Cependant, vous devriez examiner et respecter le fichier robots.txt du site web cible et les conditions d'utilisation avant d'extraire. Une extraction excessive peut conduire au blocage de votre IP. Utilisez la fonction de manière responsable, évitez d'extraire à haute fréquence et respectez les limites de taux. Unlimited Sheets applique sa propre limitation de taux pour prévenir les abus.

SCRAPE_BY_CSS_PATH est une fonction autonome qui remplace le besoin d'IMPORTXML ou IMPORTHTML dans de nombreux cas. Contrairement à IMPORTXML, elle utilise des sélecteurs CSS (qui sont plus intuitifs pour la plupart des utilisateurs) plutôt que des expressions XPath. Contrairement à IMPORTHTML, elle peut cibler n'importe quel élément de la page, pas seulement les tableaux et les listes. Vous pouvez utiliser SCRAPE_BY_CSS_PATH aux côtés des fonctions natives de Google Sheets dans la même feuille de calcul sans conflits.