Ajusta el alcance de captura

El alcance es la forma de decirle a un trabajo de captura de datos por dónde puede ir y cuánto debe recoger. Si lo aciertas, captura exactamente el contenido que quieres: ni más ni menos.

Antes de empezar

  • Abre el trabajo de sitio web.
  • Ten claro qué páginas deben entrar y cuáles no.

Pasos

  1. Abre la página de detalle del trabajo desde Captura de datos.
  2. Elige Edit properties para abrir el formulario de configuración.
  3. Abre los ajustes de Navigation: aquí están todos los controles del alcance.
  4. Revisa las URL iniciales (donde empieza el trabajo) y la lista de hostnames. El trabajo solo seguirá enlaces que coincidan con uno de los hostnames permitidos, así que si tu sitio usa subdominios (p. ej., docs.acme.com y blog.acme.com), añade cada uno.
  5. Añade rutas incluidas para limitar el trabajo a secciones concretas. Por ejemplo, */docs/* conserva solo las páginas cuya URL contiene /docs/. Si lo dejas vacío, el trabajo visita todo lo que hay en los hostnames permitidos.
  6. Añade rutas excluidas para las zonas que quieres omitir: páginas de inicio de sesión, paneles de administración, archivos de etiquetas, etc. Las rutas excluidas tienen prioridad sobre las incluidas, así que puedes incluir una sección amplia y recortar excepciones dentro de ella.
  7. Define la profundidad de rastreo (cuántos saltos de enlace desde las URL de inicio recorrerá el trabajo) y el número máximo de contenidos (un tope absoluto de cuántas páginas procesa en una sola ejecución).
  8. Guarda la configuración actualizada.
Los ajustes de Navigation del trabajo: URL iniciales con etiquetas de sitio y la lista de hostnames que limita el trabajo a dominios concretos (datos de ejemplo).
Los ajustes de Navigation del trabajo: URL iniciales con etiquetas de sitio y la lista de hostnames que limita el trabajo a dominios concretos (datos de ejemplo).
El árbol de URL de un sitio con reglas de rutas aplicadas: la sección de documentación se conserva (verde) y las rutas de administración, inicio de sesión y etiquetas se omiten (rojo).
El árbol de URL de un sitio con reglas de rutas aplicadas: la sección de documentación se conserva (verde) y las rutas de administración, inicio de sesión y etiquetas se omiten (rojo).

Ejemplos de reglas de rutas

Las rutas incluidas y excluidas son patrones glob que se comparan con la ruta de una URL:

- Conservar una sección: la ruta incluida */docs/* captura solo la documentación e ignora todo lo demás. - Quitar el ruido: las rutas excluidas */login/*, */cart/*, */tag/* descartan las páginas de inicio de sesión, de pago y de archivo de etiquetas. - Recortar una excepción: incluye una sección amplia y excluye una subruta dentro de ella; las rutas excluidas prevalecen sobre las incluidas.

Comprueba el resultado

Vuelve a ejecutar el trabajo y revisa los enlaces descubiertos y el contenido actualizado para ver el nuevo alcance en acción.

Solución de problemas

  • Poco contenido suele significar que el alcance es demasiado estrecho.
  • Demasiado contenido, que es demasiado amplio.
  • Recuerda que una ruta excluida puede anular sin avisar una página que creías haber incluido.
Contacto

¿Necesitas más ayuda?

Cuéntanos qué quieres que responda el asistente de tu web. Te ayudaremos a definir el contenido, los controles y el plan de lanzamiento adecuados.