-
Notifications
You must be signed in to change notification settings - Fork 0
/
index.Rmd
698 lines (459 loc) · 18.5 KB
/
index.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
---
title: "Introdução a Web Scraping com R"
author: "Jodavid Ferreira"
institute: "HartB Group"
date: "`r format(Sys.Date(),'%d.%m.%Y')`"
output:
xaringan::moon_reader:
css: ["css/jodavid.css", "css/mmp.css","css/mmp-fonts.css"]
lib_dir: libs
nature:
highlightStyle: github
highlightLines: true
countIncrementalSlides: false
---
layout: true
<div class="my-footer"><span>
<a href="http://jodavid.github.io">Jodavid Ferreira</a> - e-mail: <a href="mailto:jodavid@protonmail.com">jodavid@protonmail.com</a> |
LinkedIn: <a href="https://www.linkedin.com/in/jodavidferreira/">jodavidferreira</a>
</span></div>
---
```{r setup, include=FALSE}
options(htmltools.dir.version = FALSE,width = 500)
knitr::opts_chunk$set(fig.align = "center", message=FALSE, warning=FALSE, cache = TRUE)
```
<br/>
# O que é Web Scraping?
<br/>
* O **Web Scraping** é uma área da **Text Mining (Mineração de Texto)** ;
<br/><br/>
### O que é Mineração de Texto?
Segundo o Livro '`Text Mining in Practice with R`':
<br/>
* "Mineração de texto é o processo de **destilar**<sup>1</sup> **insights** de texto".
.footnote[
[1] A destilação é uma técnica de separação.
]
---
### Onde a mineração de texto se encaixa?
<br/>
* Para **acadêmicos**, pode auxiliar na compreensão de transcrições qualitativas ou em um estudo da linguagem;
<br/>
* Para **empresas**, pode render informações interessantes que auxiliarão na modelagem preditiva por exemplo;
<br/>
* Aos **profissionais de marketing**, podem auxiliar na criação de textos, fornecendo recomendações precisas para sua organização.
<!--isso porque através de análises de textos externos, eles podem criar os seus fornecendo recomendações precisas para sua organização.-->
<br/>
* Então, a **mineração de texto** pode ser usada em qualquer decisão baseada em dados, onde o texto se encaixa naturalmente como uma entrada.
---
# Pacote `rvest`
<br/>
<br/>
```{r, echo = FALSE, out.width="20%", fig.cap="<center><b>Logo - rvest </center></b>"}
knitr::include_graphics("https://raw.githubusercontent.com/tidyverse/rvest/master/man/figures/logo.png")
```
<br/>
`rvest` ajuda você a extrair (ou colher) dados de páginas da web.
Ele foi projetado para funcionar com *magrittr* (pacote responsável pelo operador pipe *%>%*) para facilitar a expressão de tarefas comuns de web scraping, inspiradas em bibliotecas como a `beautiful soup` e `RoboBrowser`.
<!--
Se você estiver copiando várias páginas, recomendo fortemente o uso de rvest em conjunto com educado. O pacote educado garante que você respeite o robots.txt e não martele o site com muitas solicitações.
-->
---
# O que é HTML e CSS ?
* **HTML** (HyperText Markup Language - Linguagem de Marcação de Hipertexto) - é uma linguagem de marcação usada para estruturar uma página web.
* **CSS** (Cascading Style Sheets - Folha de Estilo em Cascata) - é usado para estilizar os elementos escritos no *HTML*.
### O que precisamos saber ?
Em **HTML** e **CSS**, existe a possibilidade de aplicar estilos através de 'class' e 'id';
* **HTML** :
* *class* : é o atributo global formado por uma lista das classes de um elemento, separada por espaços.
<!-- Classes permitem a CSS e Javascript selecionar e acessar elementos específicos através dos seletores de classe ou funções como o método DOM. -->
* *id* : define um identificador exclusivo (ID) que deve ser único por todo o documento.
<!--Seu objetivo é identificar o elemento ao navegar por âncoras (usando um identificador de fragmento), quando utilizar scripts ou estilizando (com CSS).-->
* **CSS**: usado para personalizar a parte visual dos sites.
---
# Instalando o `rvest`
<br/>
Instalando o `rvest` através do `devtools`
<br/>
```{r eval=FALSE}
install.packages("devtools")
library(devtools)
devtools::install_github("tidyverse/rvest")
```
<br/>
<br/>
Lendo o pacote:
<br/>
```{r}
library(rvest)
```
---
## Exemplo 1: Extraindo informações do site Jarbas
### Projeto Serenata de Amor
O estudo será realizado sobre o projeto “SERENATA DE AMOR” [https://serenata.ai/](https://serenata.ai/), que é um projeto aberto no qual usa data science (ciência de dados) - a mesma tecnolgia usada por gigantes como Google, Facebook e Netflix - com o objetivo de monitorar os gastos públicos e compartilhar informações de forma acessível a todos.
* Jarbas - [https://jarbas.serenata.ai/dashboard/chamber_of_deputies/reimbursement/](https://jarbas.serenata.ai/dashboard/chamber_of_deputies/reimbursement/)
```{r, echo = FALSE, out.width="100%", fig.cap="<center><b>site Jarbas </center></b>"}
knitr::include_graphics("imagens/jarbas.png")
```
---
## Exemplo 1: Extraindo informações do site Jarbas
### Passo 1: Lendo a URL
Usando a função `read_html` do pacote `xml2` (este pacote é uma dependência do `rvest`) para ler a url.
```{r}
library(rvest)
url <- "https://jarbas.serenata.ai/dashboard/chamber_of_deputies/reimbursement/"
jarbas_webpage <- read_html(url)
```
---
## Exemplo 1: Extraindo informações do site Jarbas
### Passo 2: Extrair dados de classes do CSS
Class: *.field-congressperson_name*
```{r, echo = FALSE, out.width="100%", fig.cap="<center><b>class: .field-congressperson_name </center></b>"}
knitr::include_graphics("imagens/field-congresso-name.png")
```
---
## Exemplo 1: Extraindo informações do site Jarbas
### Passo 2:
Duas funções serão utilizadas aqui:
1. *html_nodes*: Use esta função para extrair os nós que desejamos (neste caso nós com ".field-congressperson_name" como classe css)
2. *html_text*: Use esta função para extrair o texto dos nós html (neste caso, os nomes de nossos representantes)
```{r, size="huge"}
#Scraping usando classe css ‘field-congressperson_name’
jarbas_names_html <-html_nodes(jarbas_webpage, '.field-congressperson_name')
jarbas_names <- html_text(jarbas_names_html)
head(jarbas_names,3)
```
---
## Exemplo 1: Extraindo informações do site Jarbas
### Passo 2:
```{r}
#SUBQUOTA TRANSLATED
jarbas_subquota_html <-html_nodes(jarbas_webpage, '.field-subquota_translated')
jarbas_subquota <- html_text(jarbas_subquota_html)
head(jarbas_subquota,3)
#Fornecedor
jarbas_provider_html <-html_nodes(jarbas_webpage, '.field-supplier_info')
jarbas_provider <- html_text(jarbas_provider_html)
head(jarbas_provider,3)
#Valores em Real
jarbas_value_html <-html_nodes(jarbas_webpage, '.field-value')
jarbas_value <- html_text(jarbas_value_html)
head(jarbas_value,3)
```
---
## Exemplo 1: Extraindo informações do site Jarbas
### Passo 2:
A seguir serão mostrados o valor do reembolso, eles são extraídos
em tipo de variável caracter: Ex: R$ 139,76, R$ 40,23.
Entretanto, como desejamos manipular esses números, precisamos convertê-los para tipo de variável numérica, dessa forma será utilizado a biblioteca: "*stringr*" mais especificamente a função: `str_extract`. Segue o script para conversão da variável.
```{r}
library(stringr)
#Conversão para tipo numérico
jarbas_value <- as.numeric(sub(",",".",
str_extract(jarbas_value,pattern = "\\-*\\d+,\\s{0,}\\d+")))
head(jarbas_value,3)
```
---
## Exemplo 1: Extraindo informações do site Jarbas
### Passo 3: Geração de data.frame
```{r}
#Combinando todas as características obtidas
jarbas_names <- str_extract(jarbas_names,pattern = boundary("word"))
jarbas_df <- data.frame(
Name = jarbas_names,
Subquota = jarbas_subquota,
Provider = jarbas_provider,
Value = jarbas_value
)
#Mostrando tipo das variáveis
str(jarbas_df)
```
---
## Exemplo 1: Extraindo informações do site Jarbas
### Passo 4: Geração de um gráfico
Foram utilizados as 50 primeiras linhas do data.frame e uma biblioteca *ggplot2* para geração do gráfico.
```{r, eval = F}
library(ggplot2)
jarbas_df <- jarbas_df[1:50,]
ggplot(
jarbas_df, aes(Value,Name,colour=Subquota)) +
geom_point() +
labs(title="", x ="pedidos de reembolso (R$)",
y = "deputados",colour="SUBQUOTA TRANSLATED")
```
---
```{r, fig.width=15,echo=F}
library(ggplot2)
jarbas_df <- jarbas_df[1:50,]
ggplot(
jarbas_df, aes(Value,Name,colour=Subquota)) +
geom_point() +
labs(title="", x ="pedidos de reembolso (R$)",
y = "deputados",colour="SUBQUOTA TRANSLATED")
```
---
## Exemplo 2: Texto de um WebSite
Neste segundo exemplo vamos obter o texto de um site e analisá-lo.
* Site El País (categoria de Tecnologia) - [https://brasil.elpais.com/brasil/2021-01-26/todos-os-brasileiros-estao-com-seus-dados-a-venda-e-ha-muito-pouco-o-que-se-pode-fazer-para-se-proteger.html](https://brasil.elpais.com/brasil/2021-01-26/todos-os-brasileiros-estao-com-seus-dados-a-venda-e-ha-muito-pouco-o-que-se-pode-fazer-para-se-proteger.html)
```{r, echo = FALSE, out.width="100%", fig.cap="<center><b>site ElPaís </center></b>"}
knitr::include_graphics("imagens/elpais.png")
```
---
## Exemplo 2: Texto de Site
### Passo 1: Lendo a URL
```{r}
library(rvest)
url <- "https://brasil.elpais.com/brasil/2021-01-26/todos-os-brasileiros-estao-com-seus-dados-a-venda-e-ha-muito-pouco-o-que-se-pode-fazer-para-se-proteger.html"
webpage <- read_html(url)
```
### Passo 2: Extraindo texto de Site
```{r, size="huge"}
# Passo 2:
#Scraping usando ‘p’
names_html <-html_nodes(webpage, 'p')
names <- html_text(names_html)
head(names)
```
---
## Exemplo 2: Texto de Site
### Passo 3: Preparação dos dados
Organizando os dados para geração do gráfico da Nuvem de Tags
* `Corpus`: função que transforma vetores/listas em coleções de documentos que contêm texto.
```{r}
# Início do código para Nuvem de palavras
library(tm)
# -------
# Colocando as palavras em minusculos
# -------
texto <- tolower(names)
# -------
# Removendo as stopwords
texto <- removeWords(texto, stopwords(kind = "portuguese"))
# -------
```
---
### Passo 3: Preparação dos dados - cont.
```{r}
# Transformando em formato Corpus
texto <- Corpus(VectorSource(texto),
readerControl = list(reader = reader(VectorSource(texto)),
language = "pt"))
# -------
# Removendo as stopwords de arquivo.txt
# -------
file <- url("https://jodavid.github.io/Slide-Introdu-o-a-Web-Scrapping-com-rvest/stopwords_pt_BR.txt")
stopwords_ptBR <- read.table(file)
stopwords_ptBR <- unlist(stopwords_ptBR, use.names = FALSE)
texto <- tm_map(texto, removeWords, stopwords_ptBR)
# -------
# Descobrindo tamanho da lista
n <- length(texto)
# -------
# Removendo pontuacao
for(i in 1:n)
{
# Remover pontuacao, preservando abreviacoes
texto[[i]] <- removePunctuation(texto[[i]],
preserve_intra_word_contractions = TRUE,
preserve_intra_word_dashes = TRUE)
# Removendo quotations
texto[[i]] <- stringr::str_replace_all(texto[[i]], setNames(c('','','',''), c('“ ', '“',' ”','”')))
}
# -------
```
---
### Passo 4: Geração de um gráfico de Nuvem de Tags
Foram utilizados o data.frame e uma biblioteca *ggplot2* para geração do gráfico.
```{r eval=FALSE}
library(wordcloud)
library(yarrr)
wordcloud(words = texto, min.freq = 2, random.order = TRUE,
colors = yarrr::piratepal("basel"), use.r.layout = TRUE, rot.per = 0.5)
```
---
```{r echo=FALSE}
library(wordcloud)
library(yarrr)
wordcloud(words = texto, min.freq = 2, random.order = TRUE,
colors = yarrr::piratepal("basel"), use.r.layout = TRUE, rot.per = 0.5)
```
---
## Extra: Frequência das palavras
```{r}
#' -------
#' Transformando o arquivo 'texto' que estava no tipo Corpus para Data.frame
#' -------
textodataframe <- data.frame(text = sapply(texto, as.character),
stringsAsFactors = FALSE)
textodataframe <- textodataframe[-which(textodataframe ==""),]
#' --------------
#' Frequencia das palavras
#' --------------
frequencia_palavras <- table( textodataframe )
frequencia_ordenada_palavras <- sort( frequencia_palavras, decreasing=TRUE)
palavras <- data.frame(frequencia_ordenada_palavras)
head(palavras,6)
```
---
## Extra: Análise de Sentimentos
**Análise de sentimentos** é a tarefa de identificar se a opinião que foi expressada em um determinado texto, é positiva ou negativa.
Na **análise de sentimento** o grande problema a ser resolvido, é a classificação do texto que está sendo analisado. A classificação consiste no processo de encontrar, através de *Machine Learning*, um modelo ou função que descreva diferentes classes de dados.
```{r, echo = FALSE, out.width="55%", fig.cap="<center><b>Análise de Sentimento</center></b>"}
knitr::include_graphics("https://binds.co/img/section/faces-sentiment.png")
```
Fonte: [https://binds.co/img/section/faces-sentiment.png](https://binds.co/img/section/faces-sentiment.png)
---
## Extra: Análise de Sentimentos
Uma das formas mais antigas para tratar desse problema é por meio do algoritmo de Naive Bayes que é um classificador probabilístico, e parte da premissa que há independência entre as características (variáveis - features) de um modelo, uu seja, ele recebe o nome de “naive” (ingênuo) porque desconsidera a correlação entre as variáveis (features).
Post: [https://jodavid.github.io/post/2021-06-06-scraping-de-texto-com-an%C3%A1lise-de-sentimento-em-r/](https://jodavid.github.io/post/2021-06-06-scraping-de-texto-com-an%C3%A1lise-de-sentimento-em-r/)
```{r, echo = FALSE, out.width="75%", fig.cap="<center><b>sentimentBR</center></b>"}
knitr::include_graphics("imagens/sentimentBR.png")
```
---
# Pacote `sentimentBR`
<br/>
<br/>
```{r, echo = FALSE, out.width="20%", fig.cap="<center><b>Logo - sentimentBR </center></b>"}
knitr::include_graphics("https://jodavid.github.io/sentimentBR/reference/figures/logo.png")
```
<br/>
Link: [https://jodavid.github.io/sentimentBR/](https://jodavid.github.io/sentimentBR/)
Este é um pacote inicial com o intuito de juntar as funções e dicionários cada vez mais em português para que seja possível realizar uma **Análise de Sentimento** cada vez mais eficiente e com boa confiabilidade.
---
# Instalando o `sentimentBR`
```{r eval=FALSE}
# Instalação utilizando o pacote devtools
install.packages("devtools")
# Instalação do pacote de dependência
install.packages("Rstem", repos = "http://www.omegahat.net/R")
# Instação do pacote sentimentBR
devtools::install_github("jodavid/sentimentBR")
```
Lendo o pacote
```{r eval=FALSE}
# Lendo o pacote
library(sentimentBR)
```
---
## Extra: Análise de Sentimentos
A Classificação será feita no DataFrame das frases,
vamos retornar a matriz:
A matriz de dados está nomeada como `texto` no slide 17.
```{r}
# -------
# Pacotes Necessários
library(sentimentBR)
library(lexiconPT)
# -------
# -------
# Transformando o arquivo 'texto' que estava no tipo Corpus para Data.frame
textodataframe <- data.frame(text = sapply(texto, as.character), stringsAsFactors = FALSE)
# -------
```
---
## Extra: Análise de Sentimentos
Usando a função classify_emotion para classificar as emoções. É possível obter seis níveis de emoções: **RAIVA, DESGOSTO, MEDO, ALEGRIA, TRISTEZA, SURPRESA, CONFIANÇA, POSITIVA, NEGATIVA, ANTECIPAÇÃO**.
```{r out.width=.5}
# -------
# Classificando as emocoes de cada paragrafo
emotions <- classify_emotion(textColumns = textodataframe, algorithm = 'bayes', lang = "pt")
emotions
```
---
## Extra: Análise de Sentimentos
```{r out.width=.5}
# -------
# Quantos Parágrafos
nrow(emotions)
# -------
# Tabela das classificações
table(emotions[,11])
```
Calculando as Polaridades
```{r}
# -------
# Classificando a polaridade de cada paragrafi
polarities <- classify_polarity(textColumns = textodataframe, algorithm = "bayes")
head(polarities,1)
```
---
## Extra: Análise de Sentimentos
Neste caso também a classificação é obtida na última coluna denominada de `BEST_FIT`.
```{r}
# -------
# Transformando os resultados em data.frame
df <- data.frame(paragrafos = textodataframe,
emocoes = emotions[,'BEST_FIT'],
polaridades = polarities[,'BEST_FIT'])
# Transformando os 'NA' em 'N.A.'
df[is.na(df)] <- "N.A."
# -------
```
---
### Criando um gráfico de Barras com as polaridades
```{r fig.width=7, fig.height=4}
# -------
# Pacote Necessário
library(ggplot2)
# -------
ggplot(df, aes(polaridades,fill=polaridades)) +
geom_bar() +
labs(title="", x ="Polaridades",
y = "Quantidades") +
theme_minimal()
```
---
### Criando um gráfico de Barras e Setores com 'emocoes'
```{r fig.width=7, fig.height=4}
# -------
ggplot(df, aes(emocoes,fill=emocoes)) +
geom_bar() +
labs(title="", x ="Emoções",
y = "Quantidades") +
theme_minimal()
```
---
## Gráfico de Nuvem de tags com polaridades
```{r}
# -------
# Pacote Necessário
library(dplyr)
# -------
# Dividindo o texto nas polaridades
polaridades_cat <- unique(df$polaridades)
# -------
df2 <- t( sapply(1:length(polaridades_cat),function(i){
polaridade <- summarise(df,
texto2 = paste(df$text[which(df$polaridades==polaridades_cat[i])],
collapse = " "));
return(c(polaridades = polaridades_cat[i],
pasted = c(polaridade$texto2)))
}) )
# -------
corpus <- Corpus(VectorSource(df2[,2]))
corpus <- tm_map(corpus, removeNumbers)
tdm <- TermDocumentMatrix(corpus)
tdm <- as.matrix(tdm)
colnames(tdm) <- unique(df2[,1])
# -------
```
---
## Gráfico de Nuvem de tags com polaridades
```{r fig.width=7, fig.height=4}
# -------
# Gerando Gráfico
comparison.cloud(tdm,
colors = yarrr::piratepal("basel"),
scale = c(3,.5),random.order = F)
```
---
# Script R
Segue abaixo o link para o Script **R** ulitizado:
[Script R - Clique Aqui!](https://raw.githubusercontent.com/Jodavid/Slide-Introdu-o-a-Web-Scrapping-com-rvest/master/Script%20-%20Introducao-.R)
# Fontes
* Slide produzido com Rmarkdown, com template
`Xaringan`: [https://github.com/yihui/xaringan](https://github.com/yihui/xaringan).
* Livro: `Text Mining in Practice with R`;
* [https://github.com/tidyverse/rvest](https://github.com/tidyverse/rvest)
* [https://brasil.elpais.com/brasil/2021-01-26/todos-os-brasileiros-estao-com-seus-dados-a-venda-e-ha-muito-pouco-o-que-se-pode-fazer-para-se-proteger.html](https://brasil.elpais.com/brasil/2021-01-26/todos-os-brasileiros-estao-com-seus-dados-a-venda-e-ha-muito-pouco-o-que-se-pode-fazer-para-se-proteger.html)
* [http://www.cienciaedados.com/analise-de-sentimentos-e-machine-learning/#:~:text=An%C3%A1lise%20de%20sentimentos%20%C3%A9%20a,texto%2C%20%C3%A9%20positiva%20ou%20negativa.](http://www.cienciaedados.com/analise-de-sentimentos-e-machine-learning/#:~:text=An%C3%A1lise%20de%20sentimentos%20%C3%A9%20a,texto%2C%20%C3%A9%20positiva%20ou%20negativa.)