Introducción al
Periodismo de datos
18 al 22 de diciembre, 2017
Olaya Argüeso @oargueso
Scraping, o cómo extraer datos de PDF's y páginas web
PDF = Portable Document Format
Existen dos tipos de PDF:
1. Escaneados
2. Generados electrónicamente
PDF = Portable Document Format
Escaneados:
- Son una imagen, así que no se pueden "cortar y pegar"
- Herramientas OCR (Reconocimiento Óptico de Caracteres): ABBY FineReader (de pago)
PDF = Portable Document Format
Generados electrónicamente:
- Son más o menos "escrapeables"
- Pueden tener tablas o no
PDF = Portable Document Format
Generados electrónicamente:
- Herramientas para extraer los datos: ABBY / DeskUNPDF (de pago) - Tabula (gratis)
PDF = Portable Document Format
Tabula
PDF = Portable Document Format
Tabula
PDF = Portable Document Format
Tabula
PDF = Portable Document Format
Tabula
PDF = Portable Document Format
Tabula
PDF = Portable Document Format
Tabula
PDF = Portable Document Format
Otras herramientas gratuitas:
- cometdocs.com
- zamzar.com
- pdftoexcelonline.com
+
Mailinator
HTML = Hyper Text Markup Language
Herramientas para extraer tablas de páginas web:
- Extensiones: se añaden a nuestro navegador (Dafizilla Table2Clipboard para Firefox / Table Capture para Chrome)
HTML = Hyper Text Markup Language
Herramientas para extraer tablas de páginas web:
- Hojas de cálculo de Google: importHTML("url", "table", nº de tabla)
HTML = Hyper Text Markup Language
Herramientas para extraer tablas de páginas web:
- Import.io (gratuita): permite instruir a la aplicación para mostrarle el tipo de datos que nos interesan