https://github.com/rivaquiroga/datapalooza-2024-webscraping

Materiales del taller sobre web scraping con Python para Datapalooza 2024
https://github.com/rivaquiroga/datapalooza-2024-webscraping

python web-scraping

Last synced: 3 days ago
JSON representation

Materiales del taller sobre web scraping con Python para Datapalooza 2024

• Host: GitHub
• URL: https://github.com/rivaquiroga/datapalooza-2024-webscraping
• Owner: rivaquiroga
• Created: 2024-01-09T12:56:33.000Z (12 months ago)
• Default Branch: main
• Last Pushed: 2024-01-13T16:03:48.000Z (12 months ago)
• Last Synced: 2024-01-14T19:48:51.990Z (12 months ago)
• Topics: python, web-scraping
• Language: HTML
• Homepage: https://bit.ly/datapalooza-2024-webscraping
• Size: 511 KB
• Stars: 4
• Watchers: 1
• Forks: 1
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Datapalooza 2024: Web scraping con Python

Este es el repositorio del taller sobre "Web scraping con Python" para el evento **Datapalooza 2024**, organizado por [Data UC](https://datascience.uc.cl/). En este taller aprenderemos a implementar la técnica de extracción de datos conocida como web scraping sobre sitios web estáticos usando la librería Beautiful Soup.



  



## Preparación 

Para realizar las actividades planificadas necesitarás las librerías `request`, `beautifulsoup4`, `lxml` y `pandas`. Se pueden instalar desde [PyPI](https://pypi.org/) con `pip`. 

```

pip install beautifulsoup4

pip install requests

pip install pandas

pip install lxml

```

Si prefieres trabajar en Google Colab, no olvides agregar un signo de exclamación al inicio de cada línea para su instalación, es decir:

```

!pip install beautifulsoup4

!pip install requests

!pip install pandas

!pip install lxml

```

(Esto le indica a Google Colab que ese no es código de Python, sino código que tiene que ejecutarse en la Terminal.)

Si trabajas en Visual Studio Code o en otro IDE, será necesario que crees un entorno virtual. Durante la sesión mostraremos cómo hacerlo, pero si quieres adelantarte puedes revisar [las indicaciones en este documento](https://github.com/rivaquiroga/datapalooza2024-webscraping/blob/main/crear-entorno-virtual.md).

## Enlaces ejemplos

A lo largo de la sesión revisaremos algunos sitios web a modo de ejemplo o para discutir algunas ideas. 

:link: [Sitio web estático](https://datascience.uc.cl/que-es-ciencia-de-datos)

:link: [Sitio web dinámico](https://www.camara.cl/transparencia/asesoriasexternasgral.aspx)

:link: [Condiciones de uso](https://www.amazon.com/-/es/gp/help/customer/display.html?nodeId=508088&ref_=footer_cou) 

:link: [Licenciamiento y uso del contenido 1](http://programminghistorian.org/es/)

:link: [Licenciamiento y uso del contenido 2](https://prensa.presidencia.cl/)

:link: [robots.txt 1](https://es.wikipedia.org/robots.txt)

:link: [robots.txt 2](https://www.memoriachilena.gob.cl/robots.txt)

## Actividades

[SIDE WORKSHOP: viernes 12 de enero, online](https://github.com/rivaquiroga/datapalooza-2024-webscraping/blob/main/side-workshop-online.md)

[HACKER STAGE: sábado 13 de enero, campus San Joaquín](https://github.com/rivaquiroga/datapalooza-2024-webscraping/blob/main/hacker-stage-presencial.md)

## Atajos de teclado útiles

Los siguientes atajos de teclado serán útiles al explorar las páginas web que _escrapearemos_.

| Acción | Windows / Linux | Mac |

|---|---|---|

| Ver el código fuente de una página | ctrl +  u | command + u|

| Abrir el panel de desarrollo | F12
ctrl + shift + i | F12
option + command +i |

| Abrir el panel de desarrollo con la opción de selección activada | ctrl + shift + c | option + command + c |