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

Conoce Narcodata, una propuesta de periodismo para explicar a fondo el crimen organizado

El periodismo de datos nos sigue sorprendiendo. Esta vez con la nueva experiencia de Animal Político y Poderopedia, en la cual explican la evolución y el avance de los grupos delincuenciales en México.

28-10-15

Liveblogpro, una herramienta para ofrecer coberturas en vivo

Una herramienta bastante atractiva para desarrollar el blogueo en vivo de cualquier evento es Liveblogpro. La plataforma es versátil para compartir actividades gracias a que está diseñada en HTML5, de acuerdo con sus desarrolladores.

19-07-13

A la América no narrada la empezamos a contar a los gritos

Las crónicas audiovisuales de la muestra “El mundo a través de las personas (2003-2013)” son hijas directas de la crisis económica y social que padeció Argentina en 2001.

29-11-12

COMENTARIOS