Scraping Chilean Media.

Paquete datamedios (Versión 1.2.2)

datamedios es un paquete de R diseñado para facilitar la extracción automatizada de noticias desde medios de comunicación chilenos, haciendo web scraping de medios chilenos. Este paquete permite realizar búsquedas de noticias y filtrarlas por rangos de fechas, entregando los resultados en un formato estructurado y listo para su análisis. Además, incluye funcionalidades para almacenar los datos extraídos en una base de datos de manera opcional (documentación completa).

🔧 Instalación

Para instalarlo desde CRAN:

Instala datamedios desde CRAN:

install.packages("datamedios")
library(datamedios)

Alternativamente, para instalar el paquete desde GitHub, sigue los siguientes pasos:

1. Asegúrate de tener instalado el paquete devtools. Si no lo tienes, instálalo ejecutando:

   install.packages("devtools")
   

2. Instala datamedios desde el repositorio de GitHub:

   devtools::install_github("exetrujillo/datamedios")
   

🔄 Uso

Función principal: extraer_noticias_fecha

Esta función permite filtrar noticias por un rango de fechas específico, además de aplicar una frase de búsqueda.

Parámetros:

• search_query: Frase de búsqueda (obligatorio).
• fecha_inicio: Fecha de inicio en formato "YYYY-MM-DD" (obligatorio).
• fecha_fin: Fecha de fin en formato "YYYY-MM-DD" (obligatorio).
• subir_a_bd: Por defecto está seteado en TRUE, para los tests lo dejamos en FALSE (opcional).
• fuentes:Es un string con las fuentes a extraer. Puede ser:
  • "todas": Todas las fuentes disponibles.
  • "bbcl": BíoBío como única fuente
  • "emol-todas": Búsqueda simultánea en las fuentes "emol", "guioteca" y "mediosregionales".
  • "emol": Noticias no pagas de El Mercurio.
  • "mediosregionales": Noticias de los diarios regionales propiedad de El Mercurio.
  • "guioteca": Guías especializadas de Emol.
  • O una combinación, solo separando medios por comas, por ejemplo: fuentes = "mediosregionales, bbcl".

Valor devuelto:

Un data.frame con las siguientes columnas:

• ID: Identificador de la noticia.
• titulo: Título de la noticia.
• contenido: Contenido completo.
• contenido limpio: Resumen o extracto.
• url: Enlace a la noticia.
• url_imagen: Url con la imagen principal de la noticia.
• autor: Autor de la noticia.
• fecha: Fecha de publicación (formato 'YYYY-MM-DD').
• resumen: Resumen de la IA o bajada de la nota, según disponibilidad.
• search_query: Palabra o frase de búsqueda por la que se obtuvo los datos.
• medio: Medio al que corresponde la noticia.
• temas: Categorías de la noticia.

Ejemplo de uso:

# Buscar noticias entre el 18 de octubre de 2019 al 18 de octubre de 2020
noticias <- extraer_noticias_fecha("estallido social", "2019-10-18", "2020-10-18", fuentes = "bbcl, emol, mediosregionales")

Función secundaria: extraer_noticias_max_res

Esta función permite obtener noticias desde medios chilenos utilizando una frase de búsqueda. Además, puedes limitar el número de resultados a extraer.

Parámetros:

• search_query: Frase de búsqueda (obligatorio).
• max_results: Máximo número de resultados a extraer (opcional).
• subir_a_bd: Por defecto está seteado en TRUE, pero para los tests lo dejamos en FALSE (opcional).
• fuentes:Es un string con las fuentes a extraer. Funciona de la misma forma que en extraer_noticias_fecha. Por defecto extrae de todas las fuentes (opcional).

Valor devuelto:

Un data.frame similar al de extraer_noticias_fecha, pero filtrado por max_results.

Ejemplo de uso:

# Buscar noticias relacionadas con "inteligencia artificial"
noticias <- extraer_noticias_max_res("inteligencia artificial", max_results = 100, fuentes= "bbcl")

🔖 Documentación

Adicionalmente, el paquete incluye funciones de limpieza, manejo y visualización de las noticias extraídas. Para visitar la documentación de todos los códigos haga click aquí.

📊 Dependencias

Este paquete utiliza las siguientes dependencias de R para su correcto funcionamiento:

• dplyr: Manipulación y análisis de datos.

• httr: Realización de solicitudes HTTP para interactuar con APIs.

• magrittr: Uso de operadores como %>% para flujos de trabajo más legibles.

• jsonlite: Procesamiento y conversión de datos en formato JSON.

• utils: Funciones utilitarias básicas incluidas en R.

• rlang: Herramientas para manipulación de expresiones.

• wordcloud2: Generación de nubes de palabras interactivas.

• tidytext: Análisis de texto basado en datos ordenados.

• lubridate: Manejo y análisis de datos temporales.

• rvest: Web scraping de páginas HTML.

• stringr: Manejo y manipulación de cadenas de texto.

• xml2: Lectura y manejo de datos en formato XML.

• purrr: Programación funcional con listas y vectores.

• DT: Generación de tablas interactivas en HTML desde R.

• ggplot2: Creación de gráficos sofisticados y personalizados basados en la gramática de los gráficos.

• plotly: Creación de gráficos interactivos y visualizaciones dinámicas.

🗂️ Licencia

datamedios está bajo la Licencia MIT. Consulta el archivo LICENSE para más detalles.

👤 Autoría

Este paquete fue desarrollado por:

• Exequiel Trujillo (contacto: [email protected])
• Ismael Aguayo (contacto: [email protected])
• Klaus Lehmann (contacto: [email protected])