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

Twitter es una empresa de medios y de tecnología, según su director ejecutivo

Esa es la pregunta que se hace Nick Bilton en Bits de The New York Times. La respuesta es ambas cosas, como lo dijo Dick Costolo , el director ejecutivo de Twitter, en las oficinas de The New York Times en Nueva York.

26-07-12

América Latina, la región más peligrosa para los periodistas en 2010

Preocupante. América Latina fue en 2010 la región más peligrosa para la prensa: en nuestros países ocurrieron 35 de los 105 asesinatos de periodistas registrados este año. Así lo señaló hoy la ONG ‘Campaña para un Emblema de Prensa’. México fue el país de más riesgo, con 14 asesinatos, cifra similar a la de Pakistán, […]

27-12-10

20 periodistas atacados en Guatemala en lo que va del año

Así lo revela un estudio realizado por el Centro de Reportes Informativos sobre Guatemala (Cerigua), que precisa que hay 20 comunicadores que han sido atacados en lo que va del año.

19-09-11

COMENTARIOS