-
Notifications
You must be signed in to change notification settings - Fork 0
/
Taller 2.ipynb
315 lines (315 loc) · 9.56 KB
/
Taller 2.ipynb
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"<img src='https://encrypted-tbn0.gstatic.com/images?q=tbn%3AANd9GcQ-VfNtOyJbsaxu43Kztf_cv1mgBG6ZIQZEVw&usqp=CAU'>\n",
"\n",
"# Procesamiento de Lenguage Natural\n",
"\n",
"## Taller #2: Adquisición de textos"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Punto 1:\n",
"\n",
"- Descomprimir el archivo `.zip` de los poemas\n",
"- Leer cada uno de sus archivos\n",
"- Responder: ¿Cuál archivo tiene el mayor número de palabras?"
]
},
{
"cell_type": "code",
"execution_count": 1,
"metadata": {},
"outputs": [],
"source": [
"# Vamos a importr las librerias\n",
"import bs4 as bs\n",
"import urllib.request\n",
"import pandas as pd\n",
"import os\n",
"from zipfile import ZipFile"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [],
"source": [
"direccion ='archivos/poemas.zip'"
]
},
{
"cell_type": "code",
"execution_count": 3,
"metadata": {},
"outputs": [],
"source": [
"#descomprimir el archivo zip\n",
"\n",
"with ZipFile(direccion) as archivo:\n",
" archivo.extractall('archivos/')"
]
},
{
"cell_type": "code",
"execution_count": 4,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"A un general (Julio Cortázar).txt\n",
"Aquí (Octavio Paz).txt\n",
"Síndrome (Mario Benedetti).txt\n"
]
}
],
"source": [
"for raiz,dirs,archivos in os.walk('archivos/poemas'):\n",
" for archivo in archivos:\n",
" print(archivo)"
]
},
{
"cell_type": "code",
"execution_count": 5,
"metadata": {},
"outputs": [],
"source": [
"# Abrir archivo en Python\n",
"with open(\"archivos/poemas/A un general (Julio Cortázar).txt\") as archivo:\n",
" poema1 = archivo.read()\n",
"with open(\"archivos/poemas/Aquí (Octavio Paz).txt\") as archivo:\n",
" poema2 = archivo.read()\n",
"with open(\"archivos/poemas/Síndrome (Mario Benedetti).txt\") as archivo:\n",
" poema3 = archivo.read()"
]
},
{
"cell_type": "code",
"execution_count": 6,
"metadata": {},
"outputs": [],
"source": [
"pom=poema1.split()\n",
"pom1=poema2.split()\n",
"pom2=poema3.split()\n",
"lista=[pom,pom1,pom2]"
]
},
{
"cell_type": "code",
"execution_count": 7,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"El poema mas largo contiene 53 palabras, y es el poema en la posicion 2\n",
"['TodavÃ\\xada', 'tengo', 'casi', 'todos', 'mis', 'dientes', 'casi', 'todos', 'mis', 'cabellos', 'y', 'poquÃ\\xadsimas', 'canas', 'puedo', 'hacer', 'y', 'deshacer', 'el', 'amor', 'trepar', 'una', 'escalera', 'de', 'dos', 'en', 'dos', 'y', 'correr', 'cuarenta', 'metros', 'detrás', 'del', 'ómnibus', 'o', 'sea', 'que', 'no', 'deberÃ\\xada', 'sentirme', 'viejo', 'pero', 'el', 'grave', 'problema', 'es', 'que', 'antes', 'no', 'me', 'fijaba', 'en', 'estos', 'detalles.']\n"
]
}
],
"source": [
"var=0\n",
"for i in lista:\n",
" if var < len(i):\n",
" var = len(i)\n",
" poema= lista.index(i)\n",
"print(\"El poema mas largo contiene \", var , \"palabras, y es el poema en la posicion \",poema)\n",
"print(lista[poema])"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Punto 2:\n",
"\n",
"- Hacer Web Scraping de 10 biografías en Wikipedia (en búcle)\n",
"- Obtener el **encabezado** de cada biografía\n",
"- Obtener todos los **contenidos** y **etiquetas de título** asociados a los **links** del primer párrafo"
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [],
"source": [
"#Vamos hacer una lista con las URL \n",
"links = ['https://es.wikipedia.org/wiki/Juanes','https://es.wikipedia.org/wiki/Shakira','https://es.wikipedia.org/wiki/Radamel_Falcao_Garc%C3%ADa','https://es.wikipedia.org/wiki/James_Rodr%C3%ADguez','https://es.wikipedia.org/wiki/Caterine_Ibarg%C3%BCen','https://es.wikipedia.org/wiki/Nairo_Quintana','https://es.wikipedia.org/wiki/Egan_Bernal','https://es.wikipedia.org/wiki/Orlando_Duque','https://es.wikipedia.org/wiki/Juan_Guillermo_Cuadrado','https://es.wikipedia.org/wiki/Duv%C3%A1n_Zapata']"
]
},
{
"cell_type": "code",
"execution_count": 9,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"['https://es.wikipedia.org/wiki/Juanes', 'https://es.wikipedia.org/wiki/Shakira', 'https://es.wikipedia.org/wiki/Radamel_Falcao_Garc%C3%ADa', 'https://es.wikipedia.org/wiki/James_Rodr%C3%ADguez', 'https://es.wikipedia.org/wiki/Caterine_Ibarg%C3%BCen', 'https://es.wikipedia.org/wiki/Nairo_Quintana', 'https://es.wikipedia.org/wiki/Egan_Bernal', 'https://es.wikipedia.org/wiki/Orlando_Duque', 'https://es.wikipedia.org/wiki/Juan_Guillermo_Cuadrado', 'https://es.wikipedia.org/wiki/Duv%C3%A1n_Zapata']\n"
]
}
],
"source": [
"print(links)"
]
},
{
"cell_type": "code",
"execution_count": 10,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"https://es.wikipedia.org/wiki/Juanes\n",
"https://es.wikipedia.org/wiki/Shakira\n",
"https://es.wikipedia.org/wiki/Radamel_Falcao_Garc%C3%ADa\n",
"https://es.wikipedia.org/wiki/James_Rodr%C3%ADguez\n",
"https://es.wikipedia.org/wiki/Caterine_Ibarg%C3%BCen\n",
"https://es.wikipedia.org/wiki/Nairo_Quintana\n",
"https://es.wikipedia.org/wiki/Egan_Bernal\n",
"https://es.wikipedia.org/wiki/Orlando_Duque\n",
"https://es.wikipedia.org/wiki/Juan_Guillermo_Cuadrado\n",
"https://es.wikipedia.org/wiki/Duv%C3%A1n_Zapata\n"
]
}
],
"source": [
"for i in links:\n",
" print(i)"
]
},
{
"cell_type": "code",
"execution_count": 11,
"metadata": {},
"outputs": [],
"source": [
"#Vamos a descargar las paginas web\n",
"fuente=[]\n",
"for i in links:\n",
" request= urllib.request.urlopen(i)\n",
" fuente=fuente + [request.read()]\n",
" request.close() "
]
},
{
"cell_type": "code",
"execution_count": 12,
"metadata": {},
"outputs": [],
"source": [
"soup=[]\n",
"for i in fuente:\n",
" soup = soup + [bs.BeautifulSoup(i, 'html.parser')]"
]
},
{
"cell_type": "code",
"execution_count": 13,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"[['Juanes'], ['Shakira'], ['Radamel Falcao García'], ['James Rodríguez'], ['Caterine Ibargüen'], ['Nairo Quintana'], ['Egan Bernal'], ['Orlando Duque'], ['Juan Guillermo Cuadrado'], ['Duván Zapata']]\n"
]
}
],
"source": [
"encabezados=[]\n",
"for i in soup:\n",
" encabezados = encabezados + [i.find('h1').contents]\n",
"print(encabezados)"
]
},
{
"cell_type": "code",
"execution_count": 14,
"metadata": {},
"outputs": [],
"source": [
"Cuerpo=[]\n",
"for i in soup:\n",
" Cuerpo = Cuerpo + [i.find('p')]\n"
]
},
{
"cell_type": "code",
"execution_count": 15,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"[<a href=\"/wiki/Carolina_del_Pr%C3%ADncipe\" title=\"Carolina del Príncipe\">Carolina del Príncipe</a>, <a href=\"#cite_note-Nombre-1\"><span class=\"corchete-llamada\">[</span>1<span class=\"corchete-llamada\">]</span></a>, <a href=\"/wiki/Santa_Marta_(Colombia)\" title=\"Santa Marta (Colombia)\">Santa Marta</a>, <a href=\"#cite_note-4\"><span class=\"corchete-llamada\">[</span>4<span class=\"corchete-llamada\">]</span></a>, <a href=\"/wiki/Orden_de_Boyac%C3%A1\" title=\"Orden de Boyacá\">ODB</a>, <a href=\"/wiki/Giro_de_Italia\" title=\"Giro de Italia\">Giro de Italia</a>, <a href=\"/wiki/Tour_de_Francia\" title=\"Tour de Francia\">Tour de Francia</a>, <a class=\"mw-redirect\" href=\"/wiki/Santiago_de_Cali\" title=\"Santiago de Cali\">Cali</a>, <a href=\"/wiki/Necocl%C3%AD\" title=\"Necoclí\">Necoclí</a>, <a href=\"/wiki/Padilla_(Cauca)\" title=\"Padilla (Cauca)\">Padilla, Cauca</a>]\n"
]
}
],
"source": [
"contenido=[]\n",
"for i in Cuerpo:\n",
" contenido = contenido +[i.find('a')]\n",
"print(contenido)"
]
},
{
"cell_type": "code",
"execution_count": 16,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"[['Carolina del Príncipe'], [<span class=\"corchete-llamada\">[</span>, '1', <span class=\"corchete-llamada\">]</span>], ['Santa Marta'], [<span class=\"corchete-llamada\">[</span>, '4', <span class=\"corchete-llamada\">]</span>], ['ODB'], ['Giro de Italia'], ['Tour de Francia'], ['Cali'], ['Necoclí'], ['Padilla, Cauca']]\n"
]
}
],
"source": [
"contenido=[]\n",
"for i in Cuerpo:\n",
" contenido = contenido +[i.find('a').contents]\n",
"print(contenido)"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.7.4"
}
},
"nbformat": 4,
"nbformat_minor": 2
}