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:
COMPATIR EN REDES
NOTICIAS RELACIONADAS
Más revistas postulan a los premios Pulitzer
El cambio en las reglas de la organización de los Pulitzer ha incrementado la participación de las revistas impresas y online. El aumento es del 50% respecto al año pasado
20-02-15Organiza tu calendario de actividades en el iPad
Sunrise es una aplicación que ofrece un calendario inteligente tomando el diseño y la funcionalidad de apps tradicionales. Puedes usarla desde el iPad para hacer fácilmente un registro de lo que harás en tus jornadas periodísticas.
10-01-14Las noticias divertidas y raras no son tan preferidas como pensábamos
En todos los países, el promedio es que las mujeres de entre 18 y 34 años tengan un amplio interés por las notas sobre entretenimiento y celebridades. Los varones mayores de 55 años representan el grupo de edad que le da más atención a esas notas. Le sigue los adultos de entre 25 y 34 años.
16-07-14