datamedios
(Versión 1.2.0)datamedios
es un paquete de R diseñado para facilitar la
extracción automatizada de noticias desde medios de comunicación
chilenos, por el momento 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.
Para instalarlo desde CRAN:
Instala datamedios
desde la librería de CRAN:
install.packages("datamedios")
library(datamedios)
Alternativamente, para instalar el paquete desde GitHub, sigue los siguientes pasos:
Asegúrate de tener instalado el paquete devtools
. Si
no lo tienes, instálalo ejecutando:
install.packages("devtools")
Instala datamedios
desde el repositorio de
GitHub:
::install_github("exetrujillo/datamedios") devtools
extraer_noticias_fecha
Esta función permite filtrar noticias por un rango de fechas específico, además de aplicar una frase de búsqueda.
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.fuentes = "mediosregionales, bbcl"
.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.# Buscar noticias entre el 18 de octubre de 2019 al 18 de octubre de 2020
<- extraer_noticias_fecha("estallido social", "2019-10-18", "2020-10-18", fuentes = "bbcl, emol, mediosregionales") noticias
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.
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).Un data.frame
similar al de
extraer_noticias_fecha
, pero filtrado por
max_results
.
# Buscar noticias relacionadas con "inteligencia artificial"
<- extraer_noticias_max_res("inteligencia artificial", max_results = 100, fuentes= "bbcl") noticias
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.
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.
datamedios
está bajo la Licencia MIT. Consulta el
archivo LICENSE
para más detalles.
Este paquete fue desarrollado por: