Curso libreInteligencia artificial y datos
Extracción de datos web con Python
El curso Extracción de datos web con Python proporciona al estudiante las técnicas para recolectar datos de sitios web y APIs públicas con requests, BeautifulSoup y Playwright, de forma ética y legal, de modo que construya conjuntos de datos propios de precios, noticias o productos listos para analizar.
A quién va dirigido
Estudiantes y analistas con Python básico que necesitan obtener datos no disponibles en archivos descargables.
Objetivos
✓Comprender las diferencias entre APIs públicas y páginas web, la estructura HTML y los selectores CSS.
✓Analizar robots.txt, términos de uso, límites de solicitudes y la Ley 1581 de 2012 antes de extraer datos.
✓Aplicar requests, BeautifulSoup y Playwright con paginación, manejo de errores y encabezados.
✓Diseñar un monitor de precios o de noticias con extracciones periódicas y almacenamiento en CSV y SQLite.
✓Evaluar la calidad del conjunto de datos recolectado con limpieza en pandas y análisis descriptivo.
Plan de estudios por sesión
1
Fuentes y marco legalAPIs públicas, estructura HTML y selectores CSS · robots.txt, términos de uso, límites de solicitudes y Ley 1581 de 2012
2
Extracción de páginas estáticasrequests, BeautifulSoup, paginación y enlaces · Manejo de errores, encabezados y almacenamiento en CSV y SQLite
3
Sitios dinámicos y escaladoPlaywright para páginas con JavaScript y extracciones periódicas · Extracción asistida con modelos de lenguaje y limpieza con pandas
4
Presentación del monitor de precios o de noticiasConjunto de datos documentado · Análisis descriptivo
Evaluación
Inicial30%Análisis escrito del marco legal y técnico de una fuente web: robots.txt, términos de uso y datos personales.
Intermedio30%Taller de extracción de páginas estáticas con requests y BeautifulSoup y de sitios dinámicos con Playwright.
Final40%Conjunto de datos propio de fuentes web públicas con su script, documentación de fuentes y análisis descriptivo, sustentado.
Proyecto final
Conjunto de datos propio recolectado de fuentes web públicas con su script, documentación de fuentes y análisis descriptivo.