index_materiales.Rmd

---
title: "Index materiales"
output: html_document
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(include = TRUE, echo = TRUE)
```

## Web scrapping con rvest
Ejemplo en el GoogleColab [rvest_1.pynb](https://colab.research.google.com/drive/1s53lhBalLzvHWYp797M48TPrGntLKxnn?usp=sharing#scrollTo=iPO1AB3BXe9e) 

Funciones:

* read_html() para descargar el html
* html_nodes() para seleccionar nodos
* html_text() para extraer el texto dentro de los nodos
* html_attr() para extraer algún atributo del nodo
* html_table() para extraer tablas

### rvest + tidy + tm
Ejemplo en GoogleColab [rvest_2.ipynb](https://colab.research.google.com/drive/1h_f5yWb_OKfwMxkJg8Zy_jGkJ01vzZEL?usp=sharing). Además de extraer y manipular html, con tidy y tm se manipulan tablas y texto.

### Plus: ejercicio de [CSS](https://flukeout.github.io/)

## Análisis automatizado de texto
Para avanzar en el procesamiento de lenguaje natural, pueden ser útiles las herramientas de regex (identificación de texto a partir de expresiones regulares) y structural topic modelling (allows researchers to discover topics and estimate their relationship to document metadata).
### Materiales

* Ejemplo regex en GoogleColab ([regex.pynb](https://colab.research.google.com/drive/1NLHUIR-kckn86FQua5tTVQstoW_dL16W?usp=sharing))
* Tutorial regex ([link](https://medium.com/factory-mind/regex-tutorial-a-simple-cheatsheet-by-examples-649dc1c3f285))
* Ejemplo stm en GoogleColab ([topic_model.pynb](https://colab.research.google.com/drive/1KRbywEgxORqc4P2uvaOjqMqsNtUX5jD4?usp=sharing))
* Tutorial quanteda ([link](https://tutorials.quanteda.io/))
* Paquete de stm en R ([link](https://cran.r-project.org/web/packages/stm/vignettes/stmVignette.pdf))
* Paper en AJPS: Structural Topic Models for Open-Ended Survey Responses
 (https://doi.org/10.1111/ajps.12103)