Practical Web Scraping for Data Science

Manual práctico y riguroso de Seppe vanden Broucke y Bart Baesens centrado en la adquisición de datos web mediante Python 3 para alimentar procesos analíticos y de machine learning. El libro está orientado a analistas, programadores y científicos de datos de nivel intermedio que ya conocen la sintaxis básica de Python y necesitan recopilar información propia desde fuentes públicas en línea de manera estructurada y automatizada.

La obra explica a fondo el funcionamiento del protocolo HTTP, la inspección de cabeceras, sesiones y cookies mediante la biblioteca Requests, y el parseo de árboles DOM y selectores CSS/XPath con Beautiful Soup y lxml. Para sitios dinámicos fuertemente apoyados en JavaScript y renderizado en cliente, enseña automatización del navegador con Selenium. Además, aborda la arquitectura de rastreadores web (crawlers), el manejo de concurrencia y proxies, la rotación de User-Agents, el respeto a robots.txt y la gestión de límites de frecuencia (rate limiting), dedicando un espacio crucial a los aspectos éticos, legales y de propiedad intelectual.

La segunda mitad del libro se apoya en quince casos de estudio reales que conectan la recolección con la ciencia de datos, como la extracción de artículos en Hacker News (vía scraping y API REST), análisis de opiniones de Amazon, construcción de grafos de conocimiento desde Wikipedia o superación de desafíos CAPTCHA con aprendizaje profundo. Destaca por su enfoque realista frente a bloqueos y cambios estructurales en páginas web, aunque queda fuera el uso del framework Scrapy o técnicas modernas con Playwright. Conviene tener conocimientos elementales de HTML y modelos analíticos para sacar el máximo partido a los datos extraídos.