...Preparación de datos para su análisis

David Cabo @dcabo

CC BY-NC-SA

Open data / datos abiertos

- disponible online, gratuita - procesable por ordenadores- licencia abierta, reutilizable

http://datos.fundacionctic.org/sandbox/catalog/faceted/

PDF

Generadoelectrónicamente

(buscable)

Imagenescaneada

Tablas Formato complejo

PDF

Generadoelectrónicamente

(buscable)

Imagenescaneada

Formato complejoTablas

Tablas

1. Copiar y pegar a Excel no funciona bien

2. Programas de pago: deskUNPDF, Nitro, Acrobat Pro...

3. Servicios web gratuitos:

• cometdocs.com

• pdftoexcelonline.com

• zamzar.com

Tablas

PDF

Generadoelectrónicamente

(buscable)

Imagenescaneada

Formato complejo

Formatos complejos

• Columnas, datos partidos en varias lineas, datos intercalados entre el texto...

• Las herramientas automáticas no suelen ser capaces de extraer la información

• Es necesario:

• extraer el texto del PDF (xpdf / poppler)

• y crear un programa específico (Ruby, Python, Perl... + expresiones regulares)

Tablas

PDF

Generadoelectrónicamente

(buscable)

Formato complejo

Imagenescaneada

Imágenes

• El texto original no está disponible: no podemos buscar en él, ni copiarlo

• Software para reconocer carácteres (OCR)

• La fiabilidad depende de la calidad de la entrada (limpieza, resolución, tipo de letra)

• Bastante trabajo:

• Hay que revisar el resultado

• Difícil de automatizar para muchos ficheros

OCROpen Source

• Tesseract + OCROpus

• Usado por Google

• No es fácil de instalar y utilizar

Comerciales

• AbbyyReader

• Adobe Acrobat Pro

• Solid

• Google Docs (gratis)

https://addons.mozilla.org/en-US/firefox/addon/dafizilla-table2clipboard/

https://support.google.com/docs/bin/answer.py?hl=en&answer=155182

https://scraperwiki.com/

http://open.dapper.net/

https://ws037.juntadeandalucia.es/riibp/inicio.do

http://trabajanparati.es

http://www.propublica.org/nerds/item/doc-dollars-guides-collecting-the-data

Ruby, Google Refine, Firebug, Nokogiri, Tesseract

¿Preguntas?

David Cabo (@dcabo)