Herramientas

5 herramientas para la recolección de datos de páginas web

Por Cindy Villegas

Publicado el 17 de Enero del 2011

El periodista Dan Nguyen de ProPublica comparte 5 herramientas muy útiles para la recolección de datos (o ‘raspado’) de páginas web. Si bien estas herramientas requieren la capacidad de programar, también pueden ser usadas por periodistas que están aprendiendo a programar y saben lo básico.

Google Refine: (Anteriormente conocida como base libre GridWorks) Una aplicación sofisticada que hace la limpieza de datos en un instante.
Firebug: Un plug-in para Firefox que añade una serie de herramientas de desarrollo útiles, incluyendo el seguimiento de parámetros y archivos recibidos de los sitios web que quiere ‘raspar’.
Ruby: El lenguaje de programación más utilizado en ProPublica.
Nokogiri: Una colección de Ruby esencial para raspar las páginas web.
Tesseract: Reconocimiento de caracteres ópticos de Google ( OCR ) herramienta útil para convertir el texto escaneado en “real”, texto interpretable.
Adobe Acrobat: Puede (a veces) convertir archivos PDF a HTML bien estructurados.

Además, Nguyen agrega guías para usar mejor estas herramientas.

Usar Google Refine para limpiar datos desordenados.
Lectura de datos desde sitios Flash usando Firebug.
Análisis de PDF.
Raspado de HTML.
Obtener el texto de una imagen escaneada (solo en PDF).

Publicado por:

Periodista.

Sígueme

COMPATIR EN REDES

NOTICIAS RELACIONADAS

Inventor danés niega haber asesinado a la periodista Kim Wall

Y asegura que no mutiló su cuerpo.

25-08-17

Libros que los periodistas de @elespectador recomiendan a los estudiantes de periodismo

Hoy se celebra en Colombia el Día del Periodista. El diario El Espectador decidió celebrar esta fecha con una lista de libros, películas y blogs recomendados para los estudiantes de periodismo.

09-02-13

Pakistán: Centro ayuda a periodistas traumatizados

Las amenazas de muerte, bombardeos y ataques indiscriminados son parte del trabajo de muchos periodistas en Pakistán.

25-11-14

COMENTARIOS