En este capítulo conocerás Hyper Text Markup Language (HTML), un lenguaje declarativo que se usa para estructurar sitios web modernos. Con la librería rvest, aprenderás a consultar elementos HTML simples y a extraer tu primera tabla.

Introducción a HTML

Leer HTML

¡Cuidado con los errores de sintaxis!

Navegar por HTML

Selecciona todos los hijos de una lista

Analiza hipervínculos en un data frame

Extrae tu primera tabla

Tabla

El orden correcto de los elementos de una tabla

Convierte una tabla en un data frame con html_table()

Introducción a HTML y al web scraping

Cascading Style Sheets (CSS) describe cómo se muestran los elementos HTML en una página web, incluyendo colores, tipografías y el diseño general. En este capítulo, verás por qué los selectores y combinadores de CSS son un ingrediente clave para el web scraping.

Introducción a CSS

Selecciona varios tipos de HTML

Ordena los selectores CSS por número de resultados

Clases e IDs de CSS

Identifica los tipos de selectores correctos

Aprovecha la unicidad de los IDs

Selecciona el último hijo con una pseudoclase

Combinadores de CSS

Selecciona descendientes directos con el combinador de hijo

¿Cuántos elementos se devuelven?

¡Sencillamente, el mejor!

No todos los hermanos son iguales

Navegación y selección con CSS

Los selectores de CSS que viste en el capítulo anterior son potentes, pero tienen limitaciones. Por ejemplo, si quieres seleccionar nodos según las propiedades de sus descendientes. ¡Aquí entra en juego XPath! Con este lenguaje de consulta, puedes navegar y extraer incluso el HTML más complejo.

Introducción a XPATH

Encuentra el equivalente correcto en CSS

Selecciona por clase e ID con XPATH

Usa predicados para seleccionar nodos según sus hijos

Funciones de XPATH y predicados avanzados

Encuentra una alternativa XPATH más elegante

Conoce la función position()

Extrae nodos según el número de sus hijos

La función XPATH text()

Las limitaciones de html_table() con tablas mal estructuradas

Selecciona directamente desde el elemento padre con la función text() de XPATH

Combina los datos extraídos en un data frame

Extrae un elemento según su texto

Selección avanzada con XPATH

Ahora que ya sabes cómo extraer contenido de páginas web, es momento de mirar lo que hay detrás. En este último capítulo, aprenderás por qué las solicitudes HTTP son la base de toda acción de scraping y cómo personalizarlas para cumplir con las mejores prácticas de web scraping.

La naturaleza de las solicitudes HTTP

¿Cuál de estas afirmaciones sobre HTTP es falsa?

Hazlo al estilo httr

¡Houston, tenemos un 404!

Identifica quién eres con agentes de usuario personalizados

Consulta tu user agent

Añade un user agent personalizado

Cómo ser cuidadoso y ralentizar tus solicitudes

Argumentos personalizados para funciones con limitación de velocidad

Aplica limitación de velocidad a un rastreador de varias páginas

Resumen: web scraping en R

Mejores prácticas de scraping

¿Alguna vez te has encontrado con una web que muestra muchos datos, como estadísticas, reseñas de productos o precios, en un formato que no está listo para analizar? A menudo, organismos y otros proveedores publican sus datos en tablas bien formateadas. Sin embargo, no todos estos sitios incluyen un botón de descarga, pero no te preocupes. En este curso, aprenderás a recopilar y descargar datos de cualquier sitio web con R. Verás cómo automatizar el scraping y el análisis de Wikipedia usando los paquetes rvest y httr. Con ejercicios prácticos, también reforzarás tu comprensión de HTML y CSS, los bloques básicos de las páginas web, mientras haces que tus flujos de trabajo de extracción de datos sean menos propensos a errores y más eficientes.

Intermediate R

Introduction to the Tidyverse

Aprende a usar R para recopilar datos de webs y automatizar el scraping de Wikipedia con rvest y httr.

Web Scraping con R

Aprende a recopilar y descargar datos de cualquier sitio web de forma eficiente utilizando R.

Extrae tu primera tabla

Create Your Free Account