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 BíoBío.cl. 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:
devtools::install_github("exetrujillo/datamedios")extraer_noticias_fecha
Esta función permite filtrar noticias por un rango de fechas específico, además de aplicar una frase de búsqueda. Por defecto carga los datos automáticamente a la base de datos de api-datamedios.
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, pero para los tests lo dejamos en FALSE (opcional).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: Categorías asociadas.autor: Etiquetas relacionadas.fecha: Fecha cruda 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 1 de enero y el 31 de diciembre de 2023
noticias <- extraer_noticias_fecha("estallido social", "2019-10-18", "2020-10-18")extraer_noticias_max_res
Esta función permite obtener noticias desde BíoBío.cl utilizando una frase de búsqueda. Además, puedes limitar el número de resultados a extraer. Por defecto carga los datos automáticamente a la base de datos de api-datamedios.
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)
# Buscar noticias relacionadas con "inteligencia artificial"
noticias <- extraer_noticias_max_res("inteligencia artificial", max_results = 100)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.
tidyverse: Conjunto de paquetes para análisis de datos y visualización.
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.
Este paquete fue desarrollado por: