Web Scraper

Descripción

El modulo webscraper permite extraer información estructurada de contenido HTML utilizando selectores CSS. Recibe HTML como data de entrada (típicamente del modulo HTTP) y extrae elementos según la configuración de selectores. Soporta extracción de metadata, selectores CSS para cualquier elemento HTML, sub-elementos anidados, y data-attributes. Es ideal para scraping de páginas web, extracción de precios de productos, recopilación de enlaces, o análisis de contenido HTML.

Configuración

Parámetro	Tipo	Requerido	Descripción
elements	json/array	No	Configuración de elementos a extraer. Si esta vacío, se extraen metadatos, h1, p, img y enlaces por defecto

Formato de elements

[
  {
    "type": "meta",
    "name": "metadata"
  },
  {
    "type": "selector",
    "selector": "h1",
    "name": "titulos"
  },
  {
    "type": "selector",
    "selector": ".producto",
    "name": "productos",
    "subElements": [
      { "selector": "h2", "name": "nombre" },
      { "selector": ".precio", "name": "precio" },
      { "selector": "img", "name": "imagen" }
    ],
    "includeDataAttributes": true
  }
]

Salida

{
  "nextModule": "siguiente_modulo",
  "data": {
    "extractedData": {
      "metadata": {
        "description": "Descripcion del sitio",
        "og:title": "Titulo Open Graph"
      },
      "titulos": [
        { "text": "Titulo Principal" }
      ],
      "productos": [
        {
          "nombre": "Producto A",
          "precio": "29.99",
          "imagen": "/img/producto-a.jpg",
          "dataAttributes": { "data-id": "123" }
        }
      ]
    }
  }
}

Ejemplo de Uso

Caso básico

{
  "elements": [
    { "type": "meta", "name": "metadata" },
    { "type": "selector", "selector": "h1", "name": "titles" },
    { "type": "selector", "selector": "a", "name": "links" }
  ]
}

Notas

• El data de entrada debe ser contenido HTML (string); típicamente se obtiene del modulo HTTP con un GET previo
• Utiliza la libreria cheerio para el parsing HTML
• Tipos de elementos soportados: meta (extrae meta tags) y selector (selector CSS)
• Para elementos img, se extrae el atributo src; para a, se extrae href; para otros, el texto
• Los sub-elementos (subElements) permiten extraer datos anidados dentro de un contenedor
• includeDataAttributes: true extrae todos los atributos data-* del elemento
• Si elements esta vacío o no se configura, se extraen por defecto: metadatos, h1, p, img y enlaces
• Si un solo sub-resultado se encuentra, se devuelve como valor directo en lugar de array
• No requiere credenciales

Nodos Relacionados

• http (obtener el HTML de una página web)
• checkSite (verificar estado de un sitio)