Web Data Mining with Python

Texto técnico y formativo escrito por las doctoras Ranjana Rajnish y Meenakshi Srivastava que aborda la extracción, procesamiento y análisis inteligente de información de la World Wide Web utilizando Python 3. Está orientado a estudiantes de informática, científicos de datos e investigadores de nivel intermedio que conocen los fundamentos del lenguaje y desean aprender cómo extraer datos no estructurados de internet y aplicar sobre ellos algoritmos de minería de contenido, estructura y uso.

El libro desglosa las tres ramas fundamentales de la minería web respaldadas por librerías del ecosistema de Python: en minería de contenido y recolección web enseña técnicas de extracción con Requests, urllib y BeautifulSoup para sitios estáticos, junto con automatización de navegadores mediante Selenium para gestionar sitios dinámicos renderizados por JavaScript y resolución de CAPTCHAs, evaluando normas de cortesía y aspectos legales del scraping; en minería de opiniones aborda el procesamiento de lenguaje natural y análisis de sentimiento con la librería NLTK; en minería de estructura web profundiza en la representación de grafos y algoritmos clásicos de indexación como PageRank y HITS (Hyperlink-Induced Topic Search), complementados con análisis de redes sociales y detección de comunidades con NetworkX (mediante algoritmos como Girvan-Newman); y en minería de uso web analiza registros de servidores (web logs) para predecir pautas de comportamiento de navegación del usuario.

La obra no propone un único proyecto de desarrollo de software complejo de punta a punta, sino que combina la exposición de fundamentos teóricos y modelos matemáticos con scripts prácticos guiados para cada temática, finalizando los capítulos con cuestionarios y ejercicios de repaso para evaluar la asimilación conceptual. Su mayor fortaleza reside en conectar la teoría académica formal del web mining con implementaciones reales en Python contemporáneo; por otro lado, no profundiza en arquitecturas de rastreo distribuido a gran escala (como Scrapy o clústeres en la nube) ni en técnicas avanzadas de NLP basadas en modelos de lenguaje modernos (LLMs o Transformers). Conviene contar con bases sólidas de estructuras de datos y conceptos de redes antes de su lectura.