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
Gabo: “El periodismo es una pasión insaciable”
Para celebrar el cumpleaños de Gabriel García Márquez nada mejor que leerlo. Por eso, compartimos el discurso que ofreció ante la 52º Asamblea de la Sociedad Interamericana de Prensa.
05-03-12The New York Times confirma recortes en el presupuesto de este año
En un comunicado para todo el grupo, el editor ejecutivo del The New York Times, Dean Baquet, y su editor adjunto, Joe Kahn, confirmaron que este año habrán recortes en el presupuesto y que la redacción se verá afectada.
17-01-17¿El periodismo se está volviendo obsoleto?
Dave Winer, profesor invitado en la escuela de periodismo de la Universidad de Nueva York, asegura que el periodismo en sí mismo está convirtiéndose en obsoleto porque cualquiera puede ejercer esta profesión.
04-09-11