XScrape: un programa informático gratuito para extraer datos a partir de la red
XScrape es un pequeño programa informático gratuito que permite extraer cadenas de caracteres a partir de la red. Él curso las páginas de un vínculo en que comienzan por una dirección inicial.
Si desea recuperar emails, vínculos, la información contenida en méta-tags (como palabras clave) y todas las clases de otros datos estratégicos, es pues el programa informático que necesitáis. Una simple expresión regular le hará incluir el tipo de datos buscado.
Ahí tienes un tutoriel para ayudarle a utilizarlo
Instalación
No instalación, el programa informático es portable, como la mayoría de los que se presentan sobre este blog. Deberán a pesar de todo garantizarlese que el framework .NET se instala bien sobre su máquina. Si no se instala, carga a distancia el por aquí: Framework .NET
Vista general
El interfaz del programa informático es de una simplicidad desconcertante, sólo hay una única pantalla, el ahí tienes:
Va a deber informar al menos a 2 zonas: la dirección inicial (URL) y la expresión regular que corresponde a los datos buscados (Regular Expresión).
Las expresiones regulares
Las expresiones regulares - o expresiones racionales - le permiten encontrar en un texto dado las cadenas de de caracteres que obedecen a un esquema particular. Su sintaxis es detallado sobre esta página de referencia: regular-expressions.info.
Ahí tienes dos ejemplos para comenzar:
- Una dirección correo electrónico: [\ w] +@ [\ w] + \. [\ w] {2,3}
- Un vínculo: <a [^<>] *href= http [^<>] *> [^<>] *</a>
Las direcciones que deben incluirse
En el campo Inclusiva URLs, va a coger la lista de las direcciones red que XScrape puede cruzar. Cada vínculo debe ser separado por una coma. No se consultarán los vínculos encontrados que no contienen una de estas direcciones.
Por ejemplo si pongo a wikipedia.org, XScrape podrá visitar en.wikipedia.org o fr.wikipedia.org/wiki/ pero no wikimedia.fr
Las direcciones que deben excluirse
En el campo Exclusiva URLs, va a coger la lista de las direcciones red que no deberán ser cruzadas por XScrape. Por ejemplo se puede tener wikipedia.org en las direcciones que incluir y en.wikipedia.org en las direcciones que deben excluirse. Cada vínculo de la lista debe ser separado por una coma.
El cookie
Si la dirección inicial sólo es accesible por contraseña, será necesario utilizar un a Cookie. Para recuperar la información del cookie, saissez simplemente javascript: document.write (document.cookie); en el campo dirige de su navegante. A continuación, hechas en uno copiar clavado en el campo cookie de XScrape.
A seguir
En el próximo artículo, le mostraré cómo utilizar a XScrape para clasificar una lista de blogs según su índice de renombre (en el sentido de Technorati).
Tags: aplicación portable, dató extractor, expresión regular, expresiones racionales, gratuito, grep, parser, parseur, pattern, regular expresión, tutorielSi les gustó este artículo, da -lui más visibilidad votando por él sobre Scoopeo:
Artículos similares (en teoría):
¿Cómo clasificar una lista de blogs según su índice de renombre Technorati?
¡Alojamiento gratuito durante 1 año en 1&1!
Encontrar fácilmente el equivalente gratuito de un programa informático comercial
¿Cómo extraer los ficheros contenidos en un fichero de instalación?
Un programa informático gratuito y eficaz para crear diagramas
Nabil said,
Wrote él marzo de 7,2008 @ 20:31
Gracias para el info.
Fafanne said,
Wrote él abril de 27,2008 @ 20:52
Si no, por los que sólo desean extraer direcciones correo electrónico, hay el excelente TicTacMail http://www.tictacmail.com que propone también lleno de opciones. ¡Pero bien después de, es una historia de gustos!
@++
Argancel said,
Wrote él abril de 28,2008 @ 17:46
Gracias Fafanne, no lo conocía.
The GMS said,
Wrote él mayo de 28,2008 @ 12:46
Hola
La (todo joven) sociedad WebSynaptics propone desde hace poco tiempo una versión beta gratuita de su programa informático MailWalker. Te aconsejo hacer una vuelta: http://www.websynaptics.com
A+
The GMS
Argancel said,
Wrote él mayo de 28,2008 @ 12:56
@The GMS: Gracias para la información. ¿Pero cuáles son las ventajas de este programa informático?
The GMS said,
Wrote él mayo de 28,2008 @ 13:00
@Argancel:
además de las investigaciones con ayuda de expresiones regulares, MailWalker justo de los sistemas de desciframiento, limpieza, gestión de un black-list, sistema de inclusión/exclusión,
jyjgh said,
Wrote él julio de 10,2008 @ 19:45
b, jbghn