Web scraping con R

En este módulo del Diplomado en Ciencia de Datos UC aprenderemos a implementar la técnica de extracción de datos conocida como web scraping usando el paquete {rvest}. Las sesiones serán en modalidad online, los días 5 y 12 de agosto. Este taller es un complemento del taller de web scraping usando Python realizado en junio. Mostraremos cómo utilizar el paquete {rvest} para extraer texto y tablas, pero nos enfocaremos particularmente en cómo podemos crear nuestras propias funciones para automatizar la extracción de múltiples páginas de un sitio web y cómo limpiar los datos obtenidos.

Preparación

Si no participaste en el taller de web scraping usando Python, es necesario que revises la grabación de la primera parte de la primera clase (10 de junio). En ella abordamos los aspectos generales del funcionamiento de un sitio web que es importante conocer para abordar una tarea de web scraping (y que son necesarios para entender lo que haremos en estas dos sesiones).

Durante la sesión utilizaremos {rvest} y otros paquetes que son parte de lo que se conoce como Tidyverse, un conjunto de paquetes diseñados para el trabajo en ciencia de datos. Además, es necesario instalar {janitor}. Todos están disponibles en CRAN, por lo que puedes utilizar la función install.packages() para obtenerlos:

install.packages("tidyverse")
install.packages("beepr")
install.packages("janitor")

Atajos de teclado útiles

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

Acción	Windows / Linux	Mac
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/ctrl + command + c

Estructura de nuestro directorio de trabajo

El directorio de en que guardaremos los materiales de la sesión tendrá dos subcarpetas: una para los datos y otra para el código. Todo el código que escribamos asumirá esa estructura de carpetas (y que no se usó tilde en el nombre de la carpeta para el código). Para mantener todo en orden, convertiremos nuestro directorio de trabajo en un "proyecto" de RStudio. En el caso de posit.cloud, su espacio de trabajo es ya un proyecto, por lo que no tendrán que hacer el paso adicional de crear uno.

📂 web-scraping-con-r
    |
    |-- 📁 codigo
    |-- 📁 datos
    |-- 🔵 web-scraping-con-r.Rproj

Actividades

Ejercicio 1: extracción de texto, creación de funciones e iteración

📄 Código escrito en clases

✨ Versión final del código

Ejercicio 2: extracción de tablas y limpieza de datos

🔗 Página web

📄 Código escrito en clases

✨ Versión final del código