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

Edición de marzo de revista Time es todo un éxito gracias a extenso artículo

La edición del 4 de marzo de la revista Time llevó a portada un artículo de Steven Brill que trataba de explicar por qué los gastos médicos son costosos en EE.UU. Ese texto de 36 páginas y unas 25,000 palabras, el más extenso publicado por Time, ha hecho que ese número se venda más del doble de lo habitual.

18-03-13

Lo que busca Fortune en un periodista de tecnología

Fortune está buscando a un periodista agudo, organizado y ambicioso para su sección de tecnología en su oficina de San Francisco.

02-01-17

Periodista es asesinado a quemarropa en Libia

La situación de inseguridad para los periodistas crece en Libia, precisamente en Bengasi, ciudad en la que fue asesinado el periodista y presentador Azzedine Kousad de la televisión por satélite Al-Hurra. Ocurrió el último viernes, cuando tres hombres armados lo balearon mientras se encontraba en su automóvil.

10-08-13

COMENTARIOS