a40b946163
Includes: FLUJOS app (Node/Flask/Python), FLUJOS_DATOS scripts (scrapers, Keras, Django) Excludes: MongoDB, scraped data, Wikipedia/WikiLeaks dumps, Python venv, node_modules
111 lines
3.3 KiB
Text
Executable file
111 lines
3.3 KiB
Text
Executable file
# Descripción del Proyecto
|
|
|
|
Este proyecto se encarga de extraer, limpiar, y tokenizar artículos y archivos de diversas fuentes web. El programa realiza las siguientes tareas principales:
|
|
|
|
1. **Extracción de artículos**: Extrae contenido de artículos desde sitios web especificados.
|
|
2. **Descarga de archivos**: Descarga archivos en diferentes formatos como PDF, CSV, TXT, XLSX, DOCX, HTML, MD, y ZIP.
|
|
3. **Procesamiento de archivos**: Lee el contenido de los archivos descargados y los prepara para la tokenización.
|
|
4. **Tokenización**: Tokeniza el contenido de los artículos y archivos para su posterior análisis.
|
|
|
|
# Estructura del Proyecto
|
|
|
|
- `main_noticias.py`: Script principal que coordina todas las tareas.
|
|
- `noticias_utils.py`: Contiene las funciones auxiliares para la extracción, descarga, limpieza, lectura, procesamiento y tokenización de los archivos.
|
|
- `articulos/`: Directorio donde se guardan los artículos extraídos.
|
|
- `archivos/`: Directorio donde se guardan los archivos descargados.
|
|
|
|
# Paquetes Necesarios
|
|
|
|
Para que este proyecto funcione correctamente, se deben instalar los siguientes paquetes de Python:
|
|
|
|
- `requests`
|
|
- `beautifulsoup4`
|
|
- `transformers`
|
|
- `PyPDF2`
|
|
- `docx`
|
|
- `openpyxl`
|
|
- `urllib3`
|
|
|
|
# Comandos para Instalar los Paquetes
|
|
|
|
Primero, asegúrate de tener pip actualizado:
|
|
|
|
```bash
|
|
pip install --upgrade pip
|
|
|
|
|
|
pip install requests beautifulsoup4 transformers PyPDF2 python-docx openpyxl urllib3
|
|
|
|
|
|
Luego, instala los paquetes necesarios:
|
|
|
|
bash
|
|
|
|
pip install requests beautifulsoup4 transformers PyPDF2 python-docx openpyxl urllib3
|
|
|
|
Creación y Activación del Entorno Virtual
|
|
|
|
Dado que ya existe un entorno virtual llamado myenv en la carpeta FLUJOS_DATOS, puedes activarlo para evitar conflictos. Aquí están los pasos para crear y activar un entorno virtual, si es necesario.
|
|
Creación del Entorno Virtual
|
|
|
|
Si necesitas crear un nuevo entorno virtual, sigue estos pasos:
|
|
|
|
bash
|
|
|
|
cd ~/PROGRAMACION/FLUJOS_TODO/FLUJOS_DATOS
|
|
python3 -m venv myenv
|
|
|
|
Activación del Entorno Virtual
|
|
|
|
Para activar el entorno virtual myenv, utiliza los siguientes comandos:
|
|
|
|
En Linux/MacOS:
|
|
|
|
bash
|
|
|
|
source ~/PROGRAMACION/FLUJOS_TODO/FLUJOS_DATOS/myenv/bin/activate
|
|
|
|
En Windows (cmd):
|
|
|
|
cmd
|
|
|
|
myenv\Scripts\activate
|
|
|
|
En Windows (PowerShell):
|
|
|
|
powershell
|
|
|
|
myenv\Scripts\Activate.ps1
|
|
|
|
Una vez activado el entorno virtual, podrás instalar los paquetes necesarios y ejecutar los scripts.
|
|
Ejecución del Programa
|
|
|
|
Asegúrate de que el entorno virtual está activado.
|
|
Navega hasta la carpeta NOTICIAS:
|
|
|
|
bash
|
|
|
|
cd ~/PROGRAMACION/FLUJOS_TODO/FLUJOS_DATOS/NOTICIAS
|
|
|
|
Ejecuta el script principal:
|
|
|
|
bash
|
|
|
|
python main_noticias.py
|
|
|
|
El programa extraerá, descargará, procesará y tokenizará los artículos y archivos según las fuentes web especificadas en el script.
|
|
Notas Adicionales
|
|
|
|
Asegúrate de que las carpetas articulos y archivos existen antes de ejecutar el script.
|
|
Puedes modificar las URLs y las configuraciones en main_noticias.py y noticias_utils.py según tus necesidades específicas.
|
|
|
|
Contacto
|
|
|
|
Para cualquier duda o problema con el script, por favor, contacta con el administrador del proyecto.
|
|
|
|
r
|
|
|
|
|
|
Este `docs.txt` proporciona una guía clara y detallada sobre cómo configurar y ejecutar el proyecto, incluyendo todos los comandos necesarios para instalar los paquetes y configurar el entorno virtual.
|
|
|
|
digo la parte del entorno virtual y todos estos pasos
|