Cómo extraer nombres, especificaciones y precios de productos de páginas web
Las páginas de producto parecen homogéneas hasta que revisas variantes, precios rebajados, unidades y especificaciones que faltan. Un buen proceso de extracción conserva esas diferencias en lugar de forzar cada página en un único registro plano.
Empieza con un esquema de producto
Usa una definición de campos que indique tanto el significado como la evidencia.
| Campo | Ejemplo de una página de demostración | Regla de extracción |
|---|---|---|
| productName | HX sanitary pump 240 | Usa el encabezado principal del producto |
| sku | HX-240-SS | Conserva el identificador publicado tal cual |
| price | 1299.00 | Guarda un número solo cuando se indica un precio |
| currency | EUR | No deduzcas la moneda solo por el idioma |
| salePrice | Vacío | Mantenlo separado del precio normal |
| specifications | pressure: 16 bar | Conserva la etiqueta, el valor y la unidad |
| availability | Contact sales | No lo conviertas en "en stock" |
| sourceUrl | URL de la ficha de producto | Obligatorio en todos los registros |
| capturedAt | Fecha de captura | Obligatorio para comprobar la actualidad |
El ejemplo es ilustrativo, no son datos de clientes. Sustitúyelo por los campos y la terminología del catálogo que vas a capturar.
Limita el rastreo a los registros de producto
Empieza desde una página de categoría o un sitemap y permite las rutas de las fichas de producto. Excluye las URL de carrito, cuenta, resultados de búsqueda, etiquetas y filtros, salvo que contengan registros únicos.
Fija un límite de páginas superior al tamaño esperado del catálogo y ejecuta una muestra. Revisa los enlaces descubiertos antes de capturar el catálogo completo; la navegación por facetas puede multiplicar las URL de un mismo producto.
Haz explícitas las variantes
Decide si un color, una talla, un pack o una oferta regional se convierte en:
- una fila independiente con su propio identificador;
- una lista hija dentro de un único registro de producto; o
- un campo que se aplica solo a la variante seleccionada.
No combines el nombre de un producto base con el precio de una variante salvo que la fuente los presente juntos. Cuando una página dice "desde 20 €", conserva ese matiz o guarda un campo de precio mínimo en lugar de registrar 20 € como precio universal.
Prueba las páginas que más probablemente fallen
Tu muestra de validación debería incluir:
- un producto normal en stock;
- un producto rebajado con dos precios;
- un producto con variantes;
- una página sin algunas especificaciones;
- un producto no disponible o solo bajo consulta;
- un producto cuya tabla de especificaciones usa otro diseño.
En cada página, compara el texto capturado y los campos resultantes con la fuente en vivo. Un registro correcto tiene el valor, la unidad, el matiz y la URL de origen adecuados.
Planifica los cambios
Los datos del catálogo cambian a ritmos distintos. El precio y la disponibilidad pueden justificar capturas frecuentes, mientras que las especificaciones técnicas cambian poco. Si están en la misma página, elige una frecuencia que cubra el campo más sensible al tiempo y vigila el uso del rastreo.
Exporta el dataset validado como CSV o JSON para obtener un archivo de un momento concreto. Conserva los campos de fuente y captura para que quienes usen los datos puedan comprobar cuándo se observó cada valor.