Guía
Sitios en español, hasta la última página.
Una herramienta que busca el botón de paginación por la palabra inglesa «Next» se detiene en la página 1 de un sitio que dice «Página siguiente» o «Cargar más». Y al abrir el CSV en Excel, «España» puede convertirse en «España». Esto es lo que falla en los sitios en español, y lo que hace Magic Scraper en cada caso.
La página 2, y la 3, hasta el final
Los sitios grandes suelen marcar la paginación de una forma que no depende del idioma: rel="next", una flecha, un aria-label, páginas numeradas. Magic Scraper lee todo eso. Cuando el botón solo tiene texto, lee la palabra:
| Texto que reconoce | |
|---|---|
| Página siguiente | Siguiente · Página siguiente† |
| Cargar más resultados | Cargar más† · Ver más† · Mostrar más† · Más resultados† |
| Anterior (nunca se toma por Siguiente) | Anterior |
| No es paginación | Flechas de galerías de fotos† · Números de notas† |
† Con la próxima actualización, 2.0.2 próxima actualización. Lo demás ya está en la versión que distribuyen las tiendas. En total reconoce la paginación en más de 80 idiomas†.
Tildes y eñes que Excel estropea
Excel adivina la codificación de un CSV, y sin una pista se equivoca: «España» se convierte en «España». El CSV de Magic Scraper empieza con la marca de orden de bytes (BOM) que le indica a Excel que es UTF-8, así que las tildes y la ñ llegan como están en la página. La exportación a Excel (.xlsx) no tiene el problema, y Google Sheets lee ambos.
Un CSV de otra herramienta que ya llegó estropeado se recupera en Excel con Datos → Desde el texto/CSV, eligiendo como origen del archivo 65001: Unicode (UTF-8).
1.234 no es uno coma dos
En España y en buena parte de Sudamérica se escribe 1.234,56; en México y Centroamérica, 1,234.56. Una hoja de cálculo que toma el punto como decimal convierte 1.234 (mil doscientos treinta y cuatro) en 1,234, mil veces menos, sin avisar.
Desde la próxima actualización próxima actualización, la exportación a Excel mira la columna entera. Si muestra el formato europeo (83.200.000, 12,50, 1.234,56), lee cada valor así y la columna se puede sumar. Una columna formada solo por valores como 1.234 podría ser cualquiera de los dos, así que se queda como texto: nunca incorrecta, solo no sumable. El CSV guarda cada valor tal como lo escribe la página.
Nombres de columna
Si la tabla tiene encabezados, se usan tal cual: Precio, Ciudad, Teléfono. Si no los tiene, Magic Scraper nombra las columnas según la estructura de la página, y esos nombres están en inglés (Price, Link, Image). Haz doble clic en el encabezado en la ventana de la extensión, o pulsa F2, para cambiarlo; el nombre se recuerda para ese sitio.
Los botones de la extensión están en inglés. Los datos, en el idioma de la página.
Probado en
Antes de escribir esta página la probamos en la Wikipedia en español: sus 544 municipios en una sola tabla, con los encabezados de la página. Algunos sitios mostraron una comprobación de «¿eres humano?»: ahí la extensión se detiene y te devuelve la pestaña, sin intentar saltársela nunca.
Preguntas frecuentes
¿Por qué mi scraper se queda en la página 1 de un sitio en español?
Muchas herramientas buscan la página siguiente por la palabra inglesa Next. Magic Scraper también lee rel="next", flechas, aria-labels y páginas numeradas, además de Siguiente y, desde la próxima actualización, Página siguiente y Cargar más.
¿Cómo evito que Excel estropee las tildes?
El CSV de Magic Scraper lleva la marca BOM que indica a Excel que es UTF-8. La exportación a Excel (.xlsx) no tiene el problema.
¿Por qué los números salen mal en Excel?
Porque 1.234 se leyó como decimal. Desde la próxima actualización, la exportación a Excel de Magic Scraper lee una columna en formato europeo como tal.
¿Magic Scraper está en español?
Los botones de la extensión están en inglés. Los datos se quedan en el idioma de la página.