Skip to Content
Web Scraping con Python, 3.ª edición
book

Web Scraping con Python, 3.ª edición

by Ryan Mitchell
March 2025
Intermediate to advanced
352 pages
9h 37m
Spanish
O'Reilly Media, Inc.
Content preview from Web Scraping con Python, 3.ª edición

Capítulo 10. Lectura de documentos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Resulta tentador pensar en Internet principalmente como una colección de sitios web basados en texto entremezclados con contenido multimedia de la novedosa Web 2.0 que, en su mayor parte, puede ignorarse a efectos de raspado web. Sin embargo, esto ignora lo que Internet es fundamentalmente: un vehículo de transmisión de archivos independiente del contenido.

Aunque Internet existe de una forma u otra desde finales de los años 60, el HTML no debutó hasta 1992. Hasta entonces, Internet consistía sobre todo en correo electrónico y transmisión de archivos; el concepto de páginas web tal como lo conocemos hoy no existía. En otras palabras, Internet no es una colección de archivos HTML. Es una colección de muchos tipos de documentos, y los archivos HTML se utilizan a menudo como marco para mostrarlos. Sin poder leer diversos tipos de documentos, como texto, PDF, imágenes, vídeo, correo electrónico, etc., nos estamos perdiendo una gran parte de los datos disponibles.

Este capítulo trata del tratamiento de documentos, tanto si los descargas a una carpeta local como si los lees y extraes datos. También verás cómo tratar con distintos tipos de codificación de texto, que permiten leer incluso páginas HTML en idiomas extranjeros.

Codificación de documentos

La codificación de un documento indica a las aplicaciones -ya sean el sistema operativo ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

AirBnbBlueOriginElectronic ArtsHomeDepotNasdaqRakutenTata Consultancy Services

QuotationMarkO’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.
Julian F.
Head of Cybersecurity
QuotationMarkI wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.
Addison B.
Field Engineer
QuotationMarkI’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.
Amir M.
Data Platform Tech Lead
QuotationMarkI'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.
Mark W.
Embedded Software Engineer

You might also like

Python en una cáscara de nuez, 4ª edición

Python en una cáscara de nuez, 4ª edición

Alex Martelli, Anna Martelli Ravenscroft, Steve Holden, Paul McGuire

Publisher Resources

ISBN: 9798341630475