Google Sheets : utiliser la fonction importXML pour le Web scraping

L’une des prin­ci­pales qualités de Google Sheets est sa capacité à pouvoir importer di­rec­te­ment des contenus de sites Internet : la fonction importXML() de Google Sheets lit les contenus struc­tu­rés du site Internet et les transfère dans le tableau souhaité du tableur de Google.

Cette im­por­ta­tion « XML to Google Sheets » est par­ti­cu­liè­re­ment pratique lorsque l’on souhaite générer des tableaux à partir de données dis­po­nibles en ligne. Dans cet article, vous dé­cou­vri­rez comment mettre à profit cette pos­si­bi­lité. Par ailleurs, nous vous donnons quelques sug­ges­tions pour utiliser cette fonction utile de Google Sheets de façon per­ti­nente.

La fonction importXML() lit les données struc­tu­rées de projets Web et les insère dans les cellules d’une feuille de calcul de Google Sheets.

Pour utiliser cette fonction, la formule suivante doit être saisie dans le logiciel de Google :

importXML() de Google Sheets dispose de deux pa­ra­mètres seulement :

• URL : l’adresse Web à partir de laquelle vous souhaitez obtenir des données. Le plus simple est de la copier di­rec­te­ment depuis la barre d’adresse du na­vi­ga­teur.
• XPath : le chemin qui indique à quel endroit de la page se trouvent les données que vous souhaitez importer.

Si vous saisissez di­rec­te­ment les pa­ra­mètres dans la fonction, vous devez les placer entre des guil­le­mets. Le plus simple est d’écrire les deux pa­ra­mètres (sans guil­le­mets) dans deux cellules de tableaux et d’y faire référence dans la formule de la fonction. Vous pourrez ainsi faire l’économie des guil­le­mets.

La fonction importXML() peut être utilisée de façon po­ly­va­lente. Les quatre pos­si­bi­li­tés d’ap­pli­ca­tion suivantes sont par­ti­cu­liè­re­ment in­té­res­santes :

• la création de listes de liens,
• l’analyse de données de page Web struc­tu­rées,
• l’ex­trac­tion de contenu de texte,
• la reprise de tableaux HTML.

Dans les sections suivantes, nous vous ex­pli­quons comment utiliser con­crè­te­ment la fonction importXML dans Google Sheets à travers ces quatre pos­si­bi­li­tés d’ap­pli­ca­tion.

2. Définir le XPath

La deuxième étape consiste à définir le chemin (XPath) pour ces trois in­for­ma­tions :

URL : l’URL est un attribut de la balise <a> qui se trouve sous la balise <h5>. Par con­sé­quent, son XPath est :

Texte d’ancrage : le texte d’ancrage est le contenu de la balise <a> définie ci-dessus : //h5/a. Nous reprenons le XPath précédent en aban­don­nant l’attribut @href.

Des­crip­tion : cet XPath est un peu plus délicat puisqu’il ne se trouve pas au même niveau hié­rar­chique que la balise <a>. Si nous prenons sim­ple­ment le pa­ra­graphe <p> comme XPath, les textes ne cor­res­pon­dront plus à l’URL. Par con­sé­quent, nous dé­fi­nis­sons le pa­ra­graphe qui contient la des­crip­tion comme l’élément qui suit la balise <h5> au même niveau hié­rar­chique :

Vous pouvez alors éditer ce tableau de la façon ha­bi­tuelle ; dans ce cas, les dif­fé­rentes cellules con­tien­dront les données ac­tua­li­sées et non la formule.

Pour ce faire, nous sai­sis­sons les in­for­ma­tions XPath dans la ligne su­pé­rieure et cons­trui­sons la fonction dans la deuxième ligne (exemple : deuxième colonne) :

La formule reprend l’URL de la première colonne et le XPath de la ligne su­pé­rieure. Pour pouvoir étendre la formule vers le bas et la droite, nous utilisons la première colonne et la première ligne comme ré­fé­rences absolues (symbole $).

Pour dé­con­nec­ter le tableau des sites Internet mis en lien, nous pouvons les sé­lec­tion­ner, les copier et les insérer dans une nouvelle feuille de calcul en appuyant sur [Maj] + [Ctrl] + [V].

2. Définir le XPath

Pour que seuls les titres soient repris et non l’ensemble des liens de la page, nous devons toutefois définir plus pré­ci­sé­ment le Xpath : il convient de trouver uni­que­ment les balises <a> de la classe « headline », et uni­que­ment celles qui se trouvent à l’intérieur du pa­ra­graphe de la classe « headlines-container ».

3. Utiliser la fonction dans le tableau Google

Nous sai­sis­sons l’URL et le Xpath dans la colonne à l’extrémité gauche d’une feuille de calcul Google vide. De là, nous pouvons fa­ci­le­ment aller les chercher pour écrire la fonction :

Pour trans­fé­rer un tableau d’un site Internet dans Google Sheets, il vous suffit d’une simple formule. Prenons par exemple le tableau d’un article de Wikipedia sur les modèles Samsung Galaxy : pour importer ce tableau, nous avons sim­ple­ment besoin de la balise <table> dans le XPath. Toutefois, nous devons encore dé­ter­mi­ner combien de balises <table> précèdent notre tableau. Le tableau que nous re­cher­chons est le troisième de ce site Internet. La formule cor­res­pon­dante est donc :

Et voilà ! Il a suffi d’une simple formule dans la cellule B1 pour trans­po­ser cor­rec­te­ment l’in­té­gra­lité du tableau avec toutes ses lignes et ses colonnes dans notre feuille de calcul.

Comme vous pouvez le constater, l’im­por­ta­tion « XML to Google Sheets » peut être utilisée de façon in­croya­ble­ment po­ly­va­lente et permet d’éco­no­mi­ser quantité de temps et d’efforts.