Paquete datamedios (Versión 1.2.1)

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.

🔧 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.

🗂️ Licencia

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

👤 Autoría

Este paquete fue desarrollado por: