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.