¿Sabes hacer web scrapping con R?

Para hacer el web scrapping vamos a usar la librería rvest. Vamos a usar dplyr para hacer el manejo de los datos.

library(rvest)
library(dplyr)

Definimos la página a la que vamos a acceder para hacer el web scrapping.

url <- "https://sports.caliente.mx/es_MX"
html <- read_html(url) # Lee el url para traer todos los elementos de la página
tabla <- html |>
  html_elements("table") # Jala los elementos con clase tabla (class="table")
# Jala (a mano) los datos de la Liga MX (que están en el elemento 3)
tabla_ligamx <- tabla[3] |> html_table() 
tabla_ligamx[[1]][, c("X5", "X6", "X7")] # Extrae las columnas señaladas
## # A tibble: 4 × 3
##   X5                                         X6                            X7   
##   <chr>                                      <chr>                         <chr>
## 1 "★\n\n\nEE.UU\n\n\n4/11\n1.363\n-275"      "Empate\n\n\n4/1\n5.00\n+400" "★\n…
## 2 "★\n\n\nPanamá\n\n\n4/1\n5.00\n+400"       "Empate\n\n\n53/20\n3.65\n+2… "★\n…
## 3 "★\n\n\nCanada\n\n\n1/10\n1.10\n-1000"     "Empate\n\n\n15/2\n8.50\n+75… "★\n…
## 4 "★\n\n\nCosta Rica\n\n\n23/20\n2.15\n+115" "Empate\n\n\n11/5\n3.20\n+22… "★\n…

Comentarios

Publicar un comentario

Entradas más populares de este blog

¿Cómo comparar nombres de equipos de distintas fuentes?

Imagen
El Problema Cuando trabajamos con datos deportivos de múltiples fuentes, nos enfrentamos a un desafío común: el mismo equipo puede tener nombres ligeramente diferentes en cada base de datos. Ejemplos reales: "FC Barcelona" vs "Barcelona" "Atlético Madrid" vs "Atletico de Madrid" vs "ATM" "Real Madrid CF" vs "Real Madrid" Si usamos comparación exacta de texto, estos equipos parecerían diferentes cuando en realidad son el mismo. La Solución: Fuzzy String Matching El fuzzy string matching (coincidencia difusa de cadenas) es una técnica que compara textos calculando qué tan similares son, en lugar de solo verificar si son idénticos. ¿Cómo funciona? La técnica analiza varios aspectos de los nombres: Caracteres en común : Cuántas letras comparten ambos textos Orden de caracteres : Si las letras están en secuencias similares Longitud : Qué tan largos son los nombres Distancia de edición : Cuántos cambios ...
Leer más

¿Cómo hacemos filtrado y extracción de listas anidadas utilizando `purrr`?

Imagen
Trabajar con datos JSON y listas anidadas es una tarea común en el análisis de datos moderno. Ya sea consumiendo APIs, procesando respuestas de servicios web, o manejando metadatos complejos, saber cómo filtrar y extraer información de estructuras anidadas es una habilidad esencial. En este tutorial, exploraremos múltiples métodos para filtrar listas anidadas en R , centrándonos en el poderoso paquete purrr y su integración con el ecosistema tidyverse. El Problema: Listas Dentro de Listas Imagina que tienes metadatos de una tabla con información sobre sus campos, y necesitas identificar cuáles son de tipo "string". Esta es una situación típica cuando trabajas con: APIs REST Esquemas de bases de datos Metadatos de archivos Configuraciones JSON Preparación: Creando Nuestro Ejemplo Primero, creemos una estructura de lista anidada típica que podrías encontrar al parsear JSON: # Instalar paquetes si es necesario install.packages("purrr") install.packages(...
Leer más
Desmitificando los Metadatos en Parquet con R y Apache Arrow Desmitificando los Metadatos en Parquet con R y Apache Arrow En el mundo del análisis de datos, la eficiencia y la interoperabilidad son clave. Cuando hablamos de grandes volúmenes de datos, formatos como Parquet se han vuelto el estándar de oro. Pero, ¿sabías que Parquet no solo almacena tus datos de manera eficiente, sino que también es un campeón en el manejo de metadatos ? Y lo mejor de todo, el paquete arrow en R nos permite explotar estas capacidades al máximo. Como experto en R, a menudo me preguntan: "¿Cómo puedo añadir contexto a mis archivos Parquet más allá de las columnas? ¿Cómo sé quién generó el archivo o qué procesos se aplicaron?". La respuesta radica en los metadatos. Vamos a explorar las características de arrow para gestionar metadatos en Parquet. 1. Metadatos de Esquema: El ADN de tus Datos Cada archivo Parquet es auto-descriptivo . Esto signi...
Leer más