Lenguajes y Fundamentos de Programación · PY-130

Webscraping con Python

Extracción estructurada de información pública con Python: parseo, sesiones, límites técnicos y legales.

Disponible Intermedio 7 módulos · 34 clases

Formato asíncrono Desarrollo Python

DESARROLLO DATOS

Lo que aprenderás

Analizar la estructura de una página y localizar datos con selectores CSS y con BeautifulSoup
Recorrer listados paginados y seguir enlaces de detalle manteniendo una sesión
Extraer datos de páginas que cargan contenido por JavaScript usando un navegador automatizado
Respetar robots.txt, condiciones de uso y ritmo de peticiones para no degradar el servicio ajeno
Normalizar y validar lo extraído antes de guardarlo en CSV, JSON o base de datos
Detectar cambios en el HTML de origen y reparar un extractor roto con rapidez
Distinguir qué información pública se puede extraer y tratar y qué datos quedan fuera por normativa

Contenido del curso

7 módulos · 34 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Antes de extraer 5 clases

Cuándo hay API y no hace falta extraer
robots.txt, condiciones de uso y límites
Datos personales y qué no se puede tratar
Entorno de trabajo y biblioteca de apoyo
Análisis de la estructura de la página objetivo

Módulo 2 · Descarga de páginas 5 clases

Peticiones con requests y sesiones
Cabeceras, cookies y agente de usuario
Ritmo de peticiones y espera entre llamadas
Reintentos y tiempos límite
Caché local para no repetir descargas

Módulo 3 · Parseo del HTML 5 clases

BeautifulSoup: árbol y navegación
Selectores CSS estables frente a frágiles
Extraer texto, atributos y tablas
Campos ausentes y estructuras irregulares
Expresiones regulares como último recurso

Módulo 4 · Recorrer un sitio 5 clases

Listados paginados y fin de recorrido
Seguir enlaces de detalle
Formularios de búsqueda y parámetros
Autenticación en zonas con acceso
Control de lo ya visitado

Módulo 5 · Contenido dinámico 5 clases

Cuándo el HTML no trae los datos
Localizar la llamada interna que devuelve el JSON
Automatizar un navegador con Playwright
Esperas por elemento y no por tiempo fijo
Coste y alternativas del navegador automatizado

Módulo 6 · Salida y mantenimiento 5 clases

Normalización de textos, fechas y números
Validación de registros antes de guardar
Escritura a CSV, JSON o base de datos
Detección de cambios en el origen
Registro de errores y alertas de extractor roto

Módulo 7 · Proyecto de cierre 4 clases

Extractor completo de un listado público paginado
Recorrido, detalle y normalización
Ejecución periódica y control de novedades
Documentación del extractor y de sus límites

Requisitos

Programar en Python con funciones, diccionarios y excepciones
Conocer HTML a nivel de etiquetas, atributos y estructura del documento
Haber hecho peticiones HTTP desde Python resulta útil aunque se repasa en el curso

Descripción

Muchos datos públicos siguen sin API: licitaciones, listados de centros, catálogos, tablones de anuncios. Copiarlos a mano cada semana no es sostenible y produce errores. La extracción automatizada resuelve el problema, pero mal hecha satura el servidor ajeno, se rompe con cualquier cambio de maquetación y puede pisar límites legales.

El curso enseña a construir extractores que aguantan: análisis previo de la estructura, selectores estables, sesiones y paginación, control del ritmo de peticiones, reintentos y validación de lo extraído. Se trata también el caso de las páginas que montan el contenido con JavaScript, y se dedica un bloque a robots.txt, condiciones de uso y tratamiento de datos personales.

El resultado es un extractor documentado, con su salida normalizada, su control de ritmo y su mantenimiento previsto para cuando la web de origen cambie de maquetación. A partir de ahí se puede alimentar un proceso de análisis, un panel de seguimiento o un aviso automático que informe en cuanto aparezca una publicación nueva.

¿Para quién es este curso?

Desarrolladores que necesitan alimentar un proceso con datos publicados sin API
Perfiles técnicos que hacen seguimiento de publicaciones oficiales o de catálogos externos
Programadores que mantienen extractores heredados que se rompen con cada cambio del origen