Screaming Frog, Extracción de datos

Extracción de datos con Screaming Frog

Extracciones personalizadas de Screaming Frog: una guía para extraer datos de rastreo

Screaming Frog es una poderosa herramienta de SEO con muchas funciones de optimización de motores de búsqueda. Una de las características menos conocidas, Screaming Frog Custom Extracciones, le permite extraer fácilmente datos de sus rastreos. ¡Esta publicación de blog discutirá cómo funciona Screaming Frog Custom Extraction y por qué puede ayudar a mejorar sus esfuerzos de SEO!

Los sitios web tienen toneladas de información útil; la mayoría de las veces, es demasiado laborioso o complicado visitar todas las páginas de un sitio web para copiar datos de productos, metadatos , etiquetas de título y texto ancla en una hoja de cálculo. Aquí es donde Screaming Frog viene al rescate con extracciones de datos personalizadas para automatizar el proceso. Las extracciones personalizadas son una forma de raspado web , recolección web o extracción de datos web que se utiliza para raspar y extraer datos de sitios web, lo que le permite almacenarlos localmente en su computadora.

Para los principiantes, preguntas básicas:

¿Qué es Screaming Frog SEO Spider?

El software Screaming Frog SEO Spider es un rastreador de sitios web que mejora el SEO en el sitio al extraer y analizar los datos de su sitio web mediante una interfaz gráfica de usuario (GUI).

¿Qué son las extracciones personalizadas?

Las extracciones personalizadas son funciones de araña SEO de Screaming Frogs para extraer información explícita de las páginas web. Estas extracciones ayudan a optimizar su sitio para SEO técnico , incluidos los resultados de búsqueda, recopilan datos esenciales en su copia y ayudan a localizar y corregir errores.

¿Cómo se hace la extracción de datos?

El proceso de extracción de datos implica extraer los datos requeridos en su sitio web utilizando una araña web Screaming Frog. La información se guarda en la memoria de Screaming Frog , lo que le brinda la opción de exportar los resultados escaneados a Excel o Google Sheets para su posterior revisión.

¿Por qué es crítica la extracción de datos?

La extracción de datos le permite recolectar grandes cantidades de datos de manera rápida y eficiente. Esta automatización te da resultados inmediatos de arquitectura web . Este proceso le ahorra tiempo y recursos mientras le brinda los datos valiosos que necesitará para planificar y diseñar estrategias de optimización de motores de búsqueda.  

Screaming Frog es la herramienta Web Scraper para SEO. Las opciones son infinitas; aquí hay un montón de sintaxis personalizadas de web-scraping.

Cómo extraer datos personalizados usando Screaming Frog

1. En ScreamingFrog, vaya a Configuración > Personalizado > Extracción.

2. A continuación, deberá + Agregar y configurar sus reglas de extracción.

3. Agregue un título ,
4. Seleccione si necesita CSSPath, XPath o Regex ,
5. Agregue su función de búsqueda .

Si no está seguro de qué selector o función necesita, consulte los ejemplos a continuación o use la función de inspección de elementos en Google Chrome Dev Tools . Puede abrir Dev Tools haciendo clic con el botón derecho en el navegador Google Chrome.

Ejemplo:

Aquí hay un ejemplo de cómo rasparías una ID de píxel de Facebook

En los resultados , puedes ver que a una de mis páginas le falta un píxel de Facebook:

A continuación se muestran conjuntos de datos de extracción personalizados predefinidos para que pueda comenzar.

Sintaxis básica para usar XPath Web Scraping

SINTAXIS	FUNCIÓN
//	Buscar en cualquier parte del documento
/	Buscar dentro de la raíz del sitio web
@	Seleccionar un atributo específico de un elemento
*	El comodín se utiliza para seleccionar cualquier elemento.
[ ]	Encuentra un elemento específico
.	Especifica el elemento actual
..	Especifica el elemento padre

---

Funciones XPath

XPATH	PRODUCCIÓN
//h1	Extraer todas las etiquetas H1
//h2[1]	Extraiga la primera etiqueta H2
//h2[2]	Extraiga la segunda etiqueta H2
//div/p	Extrae cualquier <p> contenido dentro de un <div>
//div[@class='author']	Extrae cualquier <div> con clase «autor»
//p[@class='content']	Extrae cualquier <p> con clase «contenido»
//*[@class='content']	Extrae cualquier elemento con clase «contenido»
//ul/li[last()]	Extrae el último <li> en un <ul>
//ol[@class='cat']/li[1]	Extrae el primer <li> en un <ol> con clase “gato”
count(//h2)	Cuenta el número de H2 (establezca el filtro de extracción en «Valor de función»)
//a[contains(.,'learn more')]	Extrae cualquier enlace con texto ancla que contenga «aprender más»
//a[starts-with(@title,'Written by')]	Extrae cualquier enlace con un título que comience con «Escrito por».

Cómo extraer elementos HTML comunes

XPATH	PRODUCCIÓN
//@href	Extrae todos los enlaces
//a[starts-with(@href,'mailto')]/@href	Extrae el enlace que comienza con «mailto:» (dirección de correo electrónico)
//a[starts-with(@href,'tel')]/@href	Extrae el enlace que comienza con “tel:” (número de teléfono)
//img/@src	Extrae todas las URL de origen de la imagen
//img[contains(@class,'aligncenter')]/@src	Extrae todas las URL de origen de imágenes para las imágenes que contienen el nombre de clase «aligncenter».
//link[@rel='alternate']	Extrae elementos con el atributo rel establecido en «alternativo».
//@hreflang	Extrae todos los valores hreflang

Extraer metaetiquetas (usar elemento HTML interno)

XPATH	PRODUCCIÓN
//meta[@property='article:published_time']/@content	Extrae la fecha de publicación del artículo (metaetiqueta común en los sitios web de WordPress)

Extraer gráfico abierto

XPATH	PRODUCCIÓN
//meta[@property='og:type']/@content	Extrae el objeto de tipo Open Graph
//meta[@property='og:image']/@content	Extrae la URL de la imagen destacada de Open Graph
//meta[@property='og:updated_time']/@content	Extrae la hora actualizada de Open Graph

Extraer tarjetas de Twitter

XPATH	PRODUCCIÓN
//meta[@name='twitter:card']/@content	Extrae el tipo de Twitter Card
//meta[@name='twitter:title']/@content	Extrae el título de la tarjeta de Twitter
//meta[@name='twitter:site']/@content	Extrae el objeto del sitio de Twitter Card (identificador de Twitter)

Extraer tipos de esquema

XPATH	PRODUCCIÓN
//*[@itemtype]/@itemtype	Extrae todos los tipos de marcado de esquema en una página

Extraer esquema de migas de pan

Estas son las extracciones personalizadas que usa para verificar las migas de pan en Screaming Frog .

XPATH	PRODUCCIÓN
//*[contains(@itemtype,'BreadcrumbList')]/*[@itemprop]/a/@href	Extrae todos los enlaces de migas de pan
//*[contains(@itemtype,'BreadcrumbList')]/*[@itemprop][1]/a/@href	Extrae el primer enlace de migas de pan
//*[contains(@itemtype,'BreadcrumbList')]/*[@itemprop]	Extrae nombres de migas de pan (establezca el filtro de extracción en «Extraer texto»)
count(//*[contains(@itemtype,'BreadcrumbList')]/*[@itemprop])	Cuenta el número de elementos de la lista de migas de pan (establezca el filtro de extracción en «Valor de la función»)

Extraer esquema de producto

XPATH	PRODUCCIÓN
//*[@itemprop='name']/@content	Extrae el nombre del producto
//*[@itemprop='description']/@content	Extrae la descripción del producto
//*[@itemprop='price']/@content	Extrae el precio del producto
//*[@itemprop='priceCurrency']/@content	Extrae la moneda del producto
//*[@itemprop='availability']/@href	Extrae la disponibilidad del producto
//*[@itemprop='sku']/@content	Extrae el SKU del producto

Extraer esquema de revisión

XPATH	PRODUCCIÓN
//*[@itemprop='reviewCount']	Recuento de reseñas de extractos
//*[@itemprop='ratingValue']	Extrae el valor de calificación
//*[@itemprop='bestRating']	Extrae la mejor calificación de revisión
//*[@itemprop='review']/*[@itemprop='name']	Extrae el nombre de la reseña
//*[@itemprop='review']/*[@itemprop='author']	Autor de la revisión de extractos
//*[@itemprop='review']/*[@itemprop='datePublished']/@content	Extrae la fecha de publicación de las reseñas.
//*[@itemprop='review']/*[@itemprop='reviewBody']	Extrae el contenido del cuerpo de las reseñas.

Extraer esquema de empresa y organización local

XPATH	PRODUCCIÓN
//*[contains(@itemtype,'Organization')]/*[@itemprop='name']	Extrae el nombre de la organización.
//*[@itemprop='address']/*[@itemprop='streetAddress']	Extrae la dirección de la calle
//*[@itemprop='address']/*[@itemprop='addressLocality']	Extrae la localidad de la dirección
//*[@itemprop='address']/*[@itemprop='addressRegion']	Extrae la región de direcciones
//*[@itemprop='telephone']	Extrae el número de teléfono
//*[@itemprop='sameAs']/@href	Extrae los enlaces «igual que»

Extraer el esquema del artículo

XPATH	PRODUCCIÓN
//*[contains(@itemtype,'Article')]/*[@itemprop='headline']	Extrae el título del artículo.
//*[@itemprop='author']/*[@itemprop='name']/@content	Extrae autor-nombre
//*[@itemprop='publisher']/*[@itemprop='name']/@content	Extrae el nombre del editor
//*[@itemprop='datePublished']/@content	Extrae la fecha de publicación
//*[@itemprop='dateModified']/@content	Extractos modificados fecha

---

Extracción de datos personalizados con Regex

comodines

SINTAXIS	FUNCIÓN
.	Coincide con cualquier 1 carácter
*	Coincide con el carácter anterior 0 o más veces
?	Coincide con el carácter anterior 0 o 1 vez
+	Coincide con el carácter anterior 1 o más veces
|	O

anclas

SINTAXIS	FUNCIÓN
^	La cadena comienza con el carácter siguiente.
$	La cadena termina con el carácter anterior.

Grupos

SINTAXIS	FUNCIÓN
( )	Coincide con los caracteres encerrados en el orden exacto
[ ]	Coincide con los caracteres encerrados en cualquier orden
–	Coincide con cualquier carácter dentro del rango especificado

Escapar

SINTAXIS	FUNCIÓN
\	Trate el carácter literalmente, no como expresión regular.

Extracción de datos personalizados Regex

REGEX	PRODUCCIÓN
["'](UA-.*?)["']	Extraiga el ID de seguimiento de Google Analytics
["'](G-.*?)["']	Extraiga el ID de seguimiento de Google Analytics 4 (GA4)
["'](AW-.*?)["']	Extraiga el ID de conversión de Google Ads y/o la etiqueta de remarketing
["'](GTM-.*?)["']	Extraiga el Google Tag Manager y/o el ID de Google Optimize
fbq\(["']init["'], ["'](.*?)["']	Extraiga la identificación del píxel de Facebook
\{ti:["'](.*?)["']\}	Extraer la etiqueta de UET de Bing Ads
adroll_adv_id = ["'](.*?)["']	Extraiga el ID de anunciante de AdRoll
adroll_pix_id = ["'](.*?)["']	Extraiga el ID de píxel de AdRoll

Extraiga todo el marcado de esquema y los tipos de esquema

REGEX	PRODUCCIÓN
["']application/ld\+json["']>(.*?)</script>	Extrae todas las marcas de esquema JSON-LD
["']@type["']: *["'](.*?)["']	Extrae todos los tipos de marcado de esquema JSON-LD en una página

Extraer esquema de migas de pan

REGEX	PRODUCCIÓN
["']item["']: *\{["']@id["']: *["'](.*?)["']	Extrae enlaces de migas de pan
["']item["']: *\{["']@id["']: *["'].*?["'], *["']name["']: *["'](.*?)["']	Extrae nombres de migas de pan

Extraer esquema de producto

REGEX	PRODUCCIÓN
["']@type["']: *["']Product["'].*?["']name["']: *["'](.*?)["']	Extrae el nombre del producto
["']@type["']: *["']Product["'].*?["']description["']: *["'](.*?)["']	Extrae la descripción del producto
["']@type["']: *["']Product["'].*?["']price["']: *["'](.*?)["']	Extrae el precio del producto
["']@type["']: *["']Product["'].*?["']priceCurrency["']: *["'](.*?)["']	Extrae la moneda del producto
["']@type["']: *["']Product["'].*?["']availability["']: *["'](.*?)["']	Extrae la disponibilidad del producto
["']@type["']: *["']Product["'].*?["']sku["']: *["'](.*?)["']	Extrae el SKU del producto

Extraer esquema de revisión

REGEX	PRODUCCIÓN
["']reviewCount["']: *["'](.*?)["']	Recuento de reseñas de extractos
["']ratingValue["']: *["'](.*?)["']	Extrae el valor de calificación
["']bestRating["']: *["'](.*?)["']	Extrae la mejor calificación

Extraer esquema de empresa y organización local

REGEX	PRODUCCIÓN
["']@type["']: *["']Organization["'].*?["']name["']: *["'](.*?)["']	Extrae el nombre de la organización
["']streetAddress["']: *["'](.*?)["']	Extrae la dirección de la calle
["']addressLocality["']: *["'](.*?)["']	Extrae la localidad de la dirección
["']addressRegion["']: *["'](.*?)["']	Extrae la región de direcciones
["']telephone["']: *["'](.*?)["']	Extrae el número de teléfono
["']sameAs["']: *\[(.*?)\]	Extrae los enlaces «igual que»

Extraer artículo o esquema de publicación de blog

REGEX	PRODUCCIÓN
["']headline["']: *["'](.*?)["']	Extractos del título del artículo
["']author["'].*?["']name["']: *["'](.*?)["']	Extrae autor-nombre
["']publisher["'].*?["']name["']: *["'](.*?)["']	Extrae el nombre del editor
["']datePublished["']: *["'](.*?)["']	Extrae la fecha de publicación
["']dateModified["']: *["'](.*?)["']	Extractos modificados fecha

Las posibilidades son infinitas; por favor, hágame saber si desea que se agreguen extracciones a esta lista.