Cómo exportar los resultados del rastreador a una hoja de cálculo de Excel
TL;DR
Exportar los resultados del rastreador a una hoja de cálculo de Excel requiere un esquema de fila normalizado antes de la conversión del archivo.
Elige XLSX cuando necesites tipos de texto explícitos, múltiples hojas, filtros y un comportamiento predecible de la hoja de cálculo.
Usa CSV para un intercambio simple, pero controla la codificación, los delimitadores, los tipos de importación y la interpretación de fórmulas.
Preserva las URLs de origen, los tiempos de observación, los resultados de tareas y los valores faltantes en lugar de exportar solo texto extraído.
Recupera cada lote de resultados antes de declarar completa una exportación y reconcilia los registros enviados, aceptados y rechazados.
Nstdata Crawl proporciona salidas de página listas para LLM; la generación de XLSX pertenece a tu capa de exportación a menos que el producto actual proporcione explícitamente ese formato.
¿Qué implica exportar los resultados del rastreador a Excel?
Exportar los resultados del rastreador a Excel implica convertir registros de rastreo aceptados en una tabla estable y escribir esa tabla en un formato compatible con hojas de cálculo. Una respuesta de rastreo puede contener texto de página, enlaces, metadatos, información de tareas o referencias a artefactos más grandes. Esos elementos necesitan un modelo de fila deliberado antes de volverse un libro de trabajo útil.
Por ejemplo, un inventario de página puede usar una fila por página. Un conjunto de datos de productos puede usar una fila por observación de producto. Una auditoría de enlaces necesita una fila por cada borde de fuente a destino. Colocar los tres en una tabla ambigua crea valores repetidos y totales engañosos.
Nstdata Crawl puede proporcionar la capa de colecciones de páginas aprobadas. Este tutorial trata la generación de Excel como una transformación descendente y no inventa un formato de salida xlsx de Nstdata ni un punto de exportación inexistente.
¿Deberías exportar CSV o XLSX?
Elige CSV para un intercambio tabular simple de sistema a sistema y XLSX cuando el consumidor necesite tipos de celdas explícitas y características del libro de trabajo. La extensión de un archivo no es la única diferencia: la interpretación del importador de cada celda afecta a identificadores, fechas y texto de origen no confiable.
Los límites documentados de Excel siguen aplicándose
Texto de página web no confiable
Requiere precauciones de importación
Puede escribirse explícitamente como texto
Consulta las especificaciones y límites de Excel antes de elegir un libro de trabajo como el destino principal para un rastreo grande. Una hoja de cálculo es a menudo un excelente artefacto de revisión, mientras que una base de datos o un almacenamiento de objetos sigue siendo el sistema de registro.
¿Qué necesitas antes de exportar un rastreo?
Necesitas un manifiesto de colección completado, todos los lotes de resultados, un esquema normalizado y una política de salida antes de escribir el archivo. Decide qué registros son aceptados y cómo aparecerán los fallos. Un libro de trabajo que contiene solo filas exitosas puede ocultar un problema importante de colección, a menos que la exportación también informe sobre lo que fue excluido.
Columna
Tipo
Significado
source_url
Texto
Identidad original de la página aprobada
title
Texto
Título de la página aceptada
observed_at
Marca de tiempo de texto
Tiempo de colección UTC en una representación documentada
http_status
Número opcional
Estado objetivo cuando está realmente disponible
accepted
Booleano o texto explícito
Decisión de aceptación de la aplicación
rejection_reason
Texto
Motivo por el cual un registro no pasó la validación
Estas son columnas normalizadas por la aplicación, no una afirmación de que todos los proveedores devuelven los mismos nombres de campo. Mapea la respuesta API actual en este contrato y preserva el ID de tarea original en tu manifiesto de origen. No etiquetes el código de respuesta exitoso de una puerta de enlace API como el estado de la página objetivo.
Mantén documentos largos de Markdown fuera del libro de trabajo cuando excedan sus límites de celda prácticos. Almacena una referencia de artefacto estable o una ruta de archivo controlada junto a la fila de la página. Una truncación silenciosa que elimina el pasaje de evidencia puede hacer que una exportación aparentemente completa sea inutilizable.
¿Cómo funciona el pipeline de exportación?
El pipeline de exportación lee todos los resultados de página disponibles, resuelve los artefactos requeridos, normaliza las filas, las valida y escribe una salida limitada. Cada etapa debe preservar los conteos para que un revisor pueda reconciliar el libro de trabajo terminado con el trabajo fuente.
Utiliza políticas de recuperación acotadas para reanudar la recuperación de resultados sin repetir todo el trabajo de origen. Para un rastreo asíncrono, guarda el ID del trabajo antes de esperar. Verifica el estado terminal documentado y luego sigue la paginación de resultados hasta que se alcance su condición final. Una única página de resultados o lote de cursor no es todo el trabajo. Si la recuperación falla a mitad de camino, conserva el punto de control y marca la exportación como incompleta en lugar de producir una hoja de cálculo aparentemente final.
Utiliza controles de rastreo por lotes para mantener el tamaño de la colección intencionado. La exportación debe registrar si el rastreo alcanzó un límite configurado, ya que un trabajo completado acotado aún puede representar solo una parte del sitio más grande.
¿Cómo exportas los resultados paso a paso?
Exporta los resultados primero probando la entrada normalizada, luego elige el formato de archivo que se ajuste al consumidor. Los siguientes métodos cubren la colección gestionada, un libro de trabajo de revisión y un intercambio de texto plano.
Método 1: Recopilar y normalizar con Nstdata Crawl
Paso 1: Solicita las representaciones que necesitas
Utiliza el Crawl Playground para configurar una página aprobada o un ámbito de sitio acotado. Elige Markdown para el consumo de texto, HTML para el análisis y enlaces para el descubrimiento o análisis gráfico. Evita solicitar grandes artefactos visuales para cada página cuando la hoja de cálculo solo necesita un título y URL.
Paso 2: Establece la conexión API
Instala nstdata-ai-crawl y establece NSTDATA_API_TOKEN más APPROVED_PAGE_URL. El ejemplo requiere tu propia credencial y un objetivo autorizado; este artículo no reclama una ejecución autenticada de Nstdata con un token de cliente.
import os
from pathlib import Path
from nstdata_ai_crawl import NstDataClient, ScrapeRequestDto
token = os.environ["NSTDATA_API_TOKEN"]url = os.environ["APPROVED_PAGE_URL"]with NstDataClient(token)as client: result = client.submit_scrape_task_sync(ScrapeRequestDto( url=url, formats=["markdown"], onlyMainContent=True, timeout=60000))if result.success isnotTrueor result.status !="completed":raise RuntimeError("La recuperación de la página no se completó con éxito")if result.data isNoneor result.data.truncated isTrue:raise RuntimeError("El contenido está incompleto o faltante, requiere revisión") text = result.data.get_markdown()ifnot text ornot text.strip():raise RuntimeError("No se ha devuelto Markdown utilizable") Path("page.md").write_text(text, encoding="utf-8")print("Guardada page.md; valida su contenido antes de su uso posterior")
Paso 3: Escribe filas normalizadas en JSONL
Mapea los resultados aceptados en un objeto por línea en records.jsonl. Mantén las evidencias de respuesta originales por separado e incluye registros rechazados si el libro de trabajo está destinado a diagnosticar la ejecución completa. Para un trabajo de sitio, recupera cada lote de resultados documentado antes de finalizar el conteo de filas.
Método 2: Escribir un archivo de revisión XLSX tipado
Paso 1: Instala el escritor de libros de trabajo
Instala XlsxWriter en tu entorno de proyecto. El ejemplo utiliza celdas de cadena explícitas para texto de fuente externa y desactiva la conversión automática de URL y fórmulas. Estas elecciones hacen que el comportamiento del libro de trabajo sea más predecible cuando los títulos u otro texto de origen contienen caracteres especiales.
Paso 2: Guarda el programa de exportación
Guarda esto como export_xlsx.py. Su entrada es el esquema de aplicación normalizado de arriba, no una respuesta de proveedor sin modificar. El código se probó con un conjunto de datos sintético que contenía Unicode, un estado faltante y texto similar a una fórmula; esa verificación valida el manejo de la exportación en lugar de una reclamación de colección en vivo.
import json
import xlsxwriter
columns =["source_url","title","observed_at","http_status","accepted","rejection_reason"]workbook = xlsxwriter.Workbook("crawl-review.xlsx",{"strings_to_formulas":False,"strings_to_urls":False,"constant_memory":True})sheet = workbook.add_worksheet("Pages")header = workbook.add_format({"bold":True,"bg_color":"#E8EDFF"})sheet.write_row(0,0, columns, header)count =0try:withopen("records.jsonl", encoding="utf-8")as source:for row_number, line inenumerate(source, start=1):if row_number >=1_048_576:raise ValueError("Divide la exportación antes del límite de filas de Excel") record = json.loads(line)ifnot record.get("source_url"):raise ValueError("Falta source_url")for column_number, name inenumerate(columns): value = record.get(name)if value isNone: sheet.write_blank(row_number, column_number,None)elif name =="http_status"andtype(value)isint: sheet.write_number(row_number, column_number, value)else: text =str(value)iflen(text)>32_767:raise ValueError("Mover contenido sobredimensionado a un artefacto") sheet.write_string(row_number, column_number, text) count +=1 sheet.freeze_panes(1,0) sheet.autofilter(0,0, count,len(columns)-1) sheet.set_column(0,0,54) sheet.set_column(1,2,32) sheet.set_column(3,5,22)finally: workbook.close()print("filas exportadas:", count)
Paso 3: Abrir y reconciliar el libro de trabajo
Ejecuta python export_xlsx.py, luego abre el libro de trabajo y compara su conteo de filas de datos con la entrada normalizada. Verifica texto Unicode, URLs de origen, valores en blanco y cadenas de origen similares a fórmulas. Publica o distribuye el archivo solo después de que el proceso se complete con éxito; una ejecución interrumpida puede dejar un artefacto parcial.
La interfaz de hoja de trabajo de XlsxWriter documenta la escritura explícita de cadenas y números. Mantener el texto de origen como texto evita que un título raspado se convierta inesperadamente en una fórmula ejecutable de hoja de cálculo.
Método 3: Usar CSV para una tabla de intercambio simple
Paso 1: Elegir el contrato de importación
Acuerda la codificación UTF-8, un delimitador, el orden de las columnas y la representación de la marca de tiempo con el sistema receptor. La interfaz CSV de Python maneja comillas y saltos de línea, pero no controla cómo otra aplicación interpreta una celda.
Paso 2: Escribir una exportación de presentación separada
Si el CSV se abrirá interactivamente, aplica una política documentada para texto similar a fórmulas o elige el método XLSX tipado en su lugar. Preserva un conjunto de datos legible por máquina inalterado por separado cuando una exportación de presentación agrega escape o prefijos para proteger a los consumidores de hojas de cálculo.
Paso 3: Importar columnas de identificador como texto
Utiliza los controles de importación de texto/CSV de Excel para verificar la codificación y asignar tipos de texto a los identificadores antes de cargar la tabla. No confíes en un doble clic en un CSV cuando ceros a la izquierda, IDs largos o cadenas similares a fechas deban permanecer sin cambios.
[Captura de pantalla: vista previa de importación CSV de Excel que muestra codificación UTF-8, el delimitador seleccionado y columnas identificadoras configuradas como texto.]
¿Dónde encaja Nstdata Crawl en la arquitectura de exportación?
Nstdata Crawl encaja antes del escritor de exportación como una API de rastreo web para datos listos para LLM. Puede descubrir y recopilar recursivamente páginas aprobadas dentro de límites, renderizar JavaScript donde sea necesario y devolver representaciones reutilizables. Tu aplicación luego decide qué valores se convierten en filas, qué artefactos permanecen fuera del libro de trabajo, y qué registros son aceptados. El acceso proxy incorporado puede simplificar la solicitud de colección estándar. Una exportación de hoja de cálculo aún necesita sus propias reglas de tipo, seguridad y completitud.
Múltiples roles de salida: Markdown admite flujos de trabajo de texto, HTML admite extracción y enlaces admiten descubrimiento. JSON, PDF y salidas visuales abordan otras necesidades de entrega y revisión; verifica la representación actual de la API en lugar de asumir una opción nativa de XLSX.
Configuración de proxy administrado: El camino administrado estándar puede usar la opción de proxy de Nstdata sin un gateway y configuración de credenciales separados. Ten en cuenta el uso de proxy en el modelo de facturación actual.
Manejo de tareas y artefactos: Guarda los IDs de trabajo y resuelve las referencias de artefactos grandes devueltas que necesitas. Mantén el libro de trabajo vinculado a un manifiesto que registre resultados aceptados, rechazados y faltantes.
¿Por qué las exportaciones de rastreo pierden datos o se abren incorrectamente?
Las exportaciones de rastreo pierden datos o se abren incorrectamente cuando el escritor asume una respuesta plana, omite lotes de resultados o deja la interpretación completamente a la aplicación de hoja de cálculo. Valida tanto el conjunto de datos como el archivo.
Síntoma
Causa probable
Reparación
Solo aparece el primer lote
Se ignoró la paginación de resultados
Sigue el contrato de continuación documentado
Los IDs pierden ceros a la izquierda
Conversión numérica automática
Escribe o importa celdas de identificador como texto
El texto se convierte en una fórmula
Valores no confiables interpretados por el consumidor
Usa celdas de texto explícitas o una política de importación segura documentada
Descripciones largas desaparecen
Límite de tamaño de celda o truncamiento silencioso
Almacena artefactos fuera de la tabla y mantiene referencias
El conteo de filas parece correcto pero los datos están duplicados
Página de cursor repetida o identidad débil
Reconciliar claves de registro únicas, no solo filas totales
Utilice validación de extracción estructurada antes de la generación del archivo. Para exportaciones que tardan mucho, verifique la posición de origen y escriba el nombre final del archivo solo después de que la validación tenga éxito.
¿Cómo Debe Entregar la Hoja de Cálculo Terminado?
Entregue la hoja de cálculo con un alcance claro, fecha de recolección, diccionario de datos y recuentos de conciliación. Explique si las celdas en blanco representan valores de origen faltantes, campos no aplicables o extracciones rechazadas. Mantenga diagnósticos detallados en una tabla de revisión o manifiesto apropiado para que la hoja de trabajo principal siga siendo utilizable.
Comience con una muestra normalizada pequeña y demuestre que los identificadores, Unicode, los valores faltantes y el texto no confiable sobreviven el viaje de ida y vuelta. La salida HTML alternativa de Nstdata puede ayudar a investigar campos en disputa antes de que ingresen al libro de trabajo final.
No. XLSX es un formato de libro de trabajo estructurado. Normalice los registros de origen y utilice un escritor de libros de trabajo real o una exportación nativa documentada.
P: ¿Nstdata Crawl proporciona una respuesta nativa XLSX?
Esta guía no asume una respuesta nativa XLSX. Utiliza Nstdata para la recolección y una capa de exportación de aplicación separada para la generación de libros de trabajo.
P: ¿Por qué necesito un esquema normalizado?
Un esquema normalizado define lo que significa una fila y cómo debe interpretarse cada campo. Evita que los sobres y matrices anidadas específicos del proveedor se conviertan en celdas ambiguas en la hoja de cálculo.
P: ¿Es suficiente la cita de CSV para prevenir fórmulas en la hoja de cálculo?
No. La cita de CSV controla la sintaxis del archivo, mientras que la interpretación de fórmulas pertenece a la aplicación receptora. Utilice una política de importación documentada o celdas de texto XLSX explícitas.
P: ¿Qué prueba que la exportación está completa?
Una exportación completa concilia el alcance del trabajo previsto, todos los lotes de resultados recuperados, registros aceptados y rechazados, identidades únicas y el recuento de filas del archivo terminado.
Normaliza los registros de rastreo antes de generar una hoja de cálculo. Preserva los identificadores, concilia los lotes de resultados y elige un flujo de trabajo XLSX tipado o CSV controlado para el consumidor.
Lena Zhou
Nov. 9th 2026
Descubre Nstproxy Crawl -
Empieza Tu Prueba Gratuita Hoy
Rastrea sitios web completos con una sola solicitud API
Convierte cualquier sitio web en Markdown, HTML, JSON, enlaces, PDF y más, sin gestionar infraestructura de rastreo.
99,8% de éxito con renderizado JavaScript
Obtén datos limpios, listos para LLM, en múltiples formatos
