Extracción de datos web

La extracción de datos, o «web scraping», es el proceso de extraer grandes cantidades de información de un sitio web. Esto puede implicar descargar varias páginas web o el sitio completo. El contenido descargado puede incluir solo el texto de las páginas, el HTML completo o tanto el HTML como las imágenes de cada página.

Existen muchos métodos diferentes para extraer datos de un sitio web. El más básico consiste en descargar manualmente páginas web. Esto puede hacerse copiando y pegando el contenido de cada página en un editor de texto o usando el comando Archivo → Guardar como… del navegador para guardar copias locales de páginas individuales. La extracción de datos también puede hacerse automáticamente mediante software de extracción de datos web. Esta es la forma más común de descargar una gran cantidad de páginas de un sitio web. En algunos casos, se pueden usar bots para extraer datos de un sitio web a intervalos regulares.

La extracción de datos web puede realizarse con varios propósitos diferentes. Por ejemplo, puede querer archivar una sección de un sitio web para acceder a ella sin conexión. Al descargar varias páginas en su computadora, puede leerlas más adelante sin estar conectado a Internet. A veces, los desarrolladores web extraen datos de sus propios sitios web para comprobar si hay enlaces e imágenes dañados en cada página. La extracción de datos también puede hacerse con fines ilegales, como copiar un sitio web y volver a publicarlo con otro nombre. Este tipo de extracción de datos se considera una violación de los derechos de autor y puede dar lugar a acciones legales.

NOTE: Aunque extraer datos de un sitio web con el propósito de volver a publicar la información siempre está mal, extraer datos de un sitio para otros fines aún puede infringir sus condiciones de uso. Por lo tanto, siempre debe leer las condiciones de uso de un sitio web antes de descargar contenido del sitio.