ES
Empezar

Glosario

Scraping y automatización

XPath

Un lenguaje de consulta para localizar partes de un documento HTML o XML, la más potente de las dos formas con las que los scrapers señalan los datos dentro de una página.

Once a page is fetched and parsed, extraction is the act of pointing: THAT price, THOSE titles, the link inside the third card. XPath is a language for pointing. An expression describes a path through the document tree, and evaluating it returns whichever elements, attributes or text the path reaches. The syntax reads like a filesystem with opinions: //product descends to every product element anywhere, div/span steps from parent to child, and square-bracket predicates filter what qualifies, as in //div[@class='price'] or //li[position() less than four].

Its reputation for power rests on the places the alternative cannot go. XPath matches on text content, finding the span that literally says Out of stock. It traverses upward and sideways, from the element you can identify to the parent or sibling you actually want, as in //span[text()='Total']/following-sibling::span. It counts, compares and combines conditions inside a single expression. Whole categories of extraction that are contortions in other tools are one line here.

El fallo típico es una fragilidad que escribes tú mismo. Las herramientas para desarrolladores del navegador ofrecen la comodidad de copiar el XPath, que emite una ruta absoluta desde la raíz del documento, con cada paso e índice fijados, y esa ruta muere en el siguiente ajuste de diseño en cualquier punto de su recorrido. Las expresiones relativas escritas a mano y ancladas a atributos estables sobreviven a rediseños que destrozan las absolutas. El oficio está en elegir anclas que signifiquen algo, un id, un atributo data, una etiqueta de texto, en lugar de codificar la geometría accidental de hoy.

Dónde se ejecuta importa tanto como lo que dice. En el servidor, las librerías de análisis sobre las que se construyen los scrapers evalúan XPath de forma nativa, y los frameworks de rastreo lo ofrecen como selector de primera clase. En el navegador la evaluación existe, pero las herramientas favorecen a su rival, y los frameworks de automatización aceptan los dos. La soltura práctica es bilingüe: sintaxis de selectores CSS para los casos cotidianos y XPath para los que necesitan buscar texto o subir por el árbol, eligiendo en cada extracción y no en cada proyecto.

Una advertencia honesta: en las páginas renderizadas con JavaScript, ninguna expresión ayuda hasta que existen los elementos. XPath consulta el árbol que analizaste, y si los datos llegan después de cargar, el árbol que analizaste es andamiaje. Apuntar con precisión a un escenario vacío sigue siendo apuntar a nada.

Preguntas frecuentes

¿Uso XPath o selectores CSS para hacer scraping?

Los dos, eligiendo en cada trabajo. La sintaxis CSS es más concisa y universal para los casos rutinarios: clases, ids, atributos, anidamiento. XPath se gana su sitio donde CSS no llega: buscar elementos por su texto, subir desde un elemento encontrado hasta su padre o ir a un hermano, y combinar varias condiciones en una expresión. Dominar los dos cuesta poco y elimina categorías enteras de apaños.

¿Por qué mi XPath copiado se rompe tan rápido?

Porque copiar el XPath desde las herramientas para desarrolladores del navegador emite una ruta absoluta con pasos e índices fijados, que codifica la geometría actual de la página y no su significado. Cualquier cambio estructural a lo largo de la ruta la mata. Escribir una expresión relativa corta anclada a un atributo estable o a una etiqueta de texto produce un selector que sobrevive a los rediseños que borran de golpe las rutas copiadas.

¿Puede XPath seleccionar elementos por su texto?

Yes, and it is the signature capability. Expressions can match exact text, as in //button[text()='Add to cart'], or containment via contains(), and then navigate from the matched element to whatever you actually need. CSS selectors in scraping libraries have no equivalent, which is why text-anchored extraction is the usual reason a scraper reaches for XPath.

¿Funciona XPath en páginas con mucho JavaScript?

Consulta el árbol que le des. Si la página llega como una cáscara vacía y se rellena tras ejecutar los scripts, una expresión evaluada sobre el HTML descargado encuentra andamiaje. O la evalúas después de renderizar en un navegador headless, o mejor, compruebas si los datos existen como un flujo JSON o un estado incrustado que puedas leer sin apuntar al DOM.

Volver al glosario completo.

HProxy.

Las definiciones solo te llevan hasta cierto punto. Ejecutar frente a objetivos reales.

Residenciales desde 0,23 $ por GB, pagas por uso y el saldo nunca caduca.

HProxy