Recursos esenciales para el periodista de datos (2). La extracción de información

image alt text

El periodismo de datos se ha convertido en una de las grandes oportunidades para esta profesión. Los grandes proyectos requieren una importante inversión, pero unos conocimientos básicos, interés y herramientas relativamente sencillas permiten realizar trabajos de gran valor.

Eso es lo que Antonio Delgado demostró en el taller de periodismo de datos que impartió en el módulo de Nuevas narrativas del Máster de Innovación en Periodismo (MIP) de la UMH. Aquí, como complemento o aperitivo, se apuntan algunos de los recursos esenciales para empezar a desenvolverse en esta innovadora especialidad.

Una vez que se conoce cómo encontrar o solicitar la información, comienza el proceso de extracción de datos. Cuando resulta imposible obtener archivos en el formato adecuado, resulta imprescindible convertir o arañar (scrap) la materia prima. Éste es el orden, de menor a mayor efectividad, propuesto por Antonio Delgado para los principales formatos:

  • Papel
  • pdf con imágenes.
  • pdf con texto.
  • html
  • txt
  • xls
  • csv

Cuando se obtienen documentos en papel con gran cantidad de datos, el primer paso suele ser el escaneo. De este modo, se obtiene un pdf con imágenes a las que se les debe aplicar un Reconocimiento óptico de caracteres (OCR). Antonio Delgado recomendó los siguientes programas para realizarlo:

Cuando se disponga de un pdf con texto, entra en juego lo que se conoce como scraping. Antonio Delgado recomendó los siguientes programas (todos gratuitos):

Si los datos están en la web, habitualmente en formato html, existen otras herramientas específicas.

Para el navegador Chrome, se pueden instalar diversas extensiones:

En Firefox, destacan éstas otras:

Y, finalmente, también pueden descargarse estas dos aplicaciones que, aunque resultan algo más complejas, disponen de un mayor número de opciones:

Como Antonio Delgado señaló, ninguna herramienta se adapta a todas las necesidades. En función de la naturaleza de los datos que se quieran extraer, unas resultan más útiles que otras. Lo importante es que la información incialmente dispersa o inoperante se convierta en una base de datos o una hoja de cálculo desde la que operar.

A partir de este punto, la mayor parte de los trabajos de periodismo de datos requerirán otros tres procesos:

  • La limpieza de los datos (3).
  • El análisis de la información (4).
  • La visualización de datos (5).

Todos ellos se irán desgranando, en breve y poco a poco, en este blog.

Entradas recientes

Media labs de segunda generación: aceleradores de innovación periodística

Jose A. García Avilés

Abierta la convocatoria del III Premio Vicente Verdú de Periodismo e Innovación, en el que colabora el Máster

Miguel Carvajal

Mucho más allá de ChatGPT: 80 recursos basados en inteligencia artificial

Félix Arias

Seleccionamos los artículos más destacados del blog en 2022

Jose A. García Avilés

Innovar en el modelo de negocio del periodismo deportivo: decálogo para mejorar el rendimiento de las empresas

Cristian R. Marín

Cómo usar la Inteligencia Artificial para optimizar el negocio de los medios de comunicación

Jose María Valero

Universidad con Sello de Excelencia Europea

La Universidad Miguel Hernández de Elche consiguió el Sello de Excelencia Europea 500+ en 2004, y posteriormente fue renovada en dos ocasiones consecutivas, la primera en 2007 y la segunda en 2009.