La red del Business Intelligence
[Tutorial 09] Web Scraping
En este video tutorial haremos Web Scraping utilizando Pentaho Data Integration (PDI).
Nos conectaremos a un web site y obtendremos el título y la descripción de sus cinco primeros artículos.
Crearemos una Transformation y haremos lo siguiente:
- obtendremos un documento HTML (HTTP Client)
- dividiremos filas en columnas (Split Fields)
- normalizaremos el data set (Row Normaliser)
- filtraremos las filas deseadas (Filter rows)
- obtendremos el título y la descripción utilizando expresiones regulares y javascript (Modified Java Script Value | Replace in string)
- seleccionaremos las columnas deseadas (Select values)
Para consultas sobre cursos Pentaho: http://www.troyanx.com/
Espero les sea útil
Salud
Etiquetas: client, expresiones, fields, get, html, http, javascript, normaliser, pdi, pentaho, Más...
Visitas: 2281
- Archivos adjuntos
-
-
web scraping - articles.ktr, 27 KB
-
Respuestas a esta discusión
-
Permalink Responder para Ivan M. Pincheira Henriquez el
-
Bastante Interesante,
lo probaré el fin de semana y verlo en más detalle, quizás en algún momento me sea útil.
Saludos
-
-
Permalink Responder para Mario Snash el
-
Buen día.
Cómo hacerlo sobre https?. No logro ver todo el codigo de la página
-
© 2023 Creado por Emilio.
Tecnología de
