class: center, middle, inverse, title-slide # Introdução a Web Scraping com R ### Jodavid Ferreira ### HartB Group ### 19.09.2021 --- 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> --- <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/> <div class="figure" style="text-align: center"> <img src="https://raw.githubusercontent.com/tidyverse/rvest/master/man/figures/logo.png" alt="<center><b>Logo - rvest </center></b>" width="20%" /> <p class="caption"><center><b>Logo - rvest </center></b></p> </div> <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 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/) <div class="figure" style="text-align: center"> <img src="imagens/jarbas.png" alt="<center><b>site Jarbas </center></b>" width="100%" /> <p class="caption"><center><b>site Jarbas </center></b></p> </div> --- ## 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* <div class="figure" style="text-align: center"> <img src="imagens/field-congresso-name.png" alt="<center><b>class: .field-congressperson_name </center></b>" width="100%" /> <p class="caption"><center><b>class: .field-congressperson_name </center></b></p> </div> --- ## 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 #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) ``` ``` ## [1] "Igor Kannário" "Abou Anni" "Bozzella" ``` --- ## 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) ``` ``` ## [1] "Serviços postais" "Serviços postais" "Serviços postais" ``` ```r #Fornecedor jarbas_provider_html <-html_nodes(jarbas_webpage, '.field-supplier_info') jarbas_provider <- html_text(jarbas_provider_html) head(jarbas_provider,3) ``` ``` ## [1] "CORREIOS - CAIXA DE ENCOMENDAS BÁSICA/CONVENCIONAL00.000.000/0000-07" "CORREIOS - MALA DIRETA ENDEREÇADA (POSTAL BÁSICA)00.000.000/0000-07" "CORREIOS - CARTA REGISTRADA00.000.000/0000-07" ``` ```r #Valores em Real jarbas_value_html <-html_nodes(jarbas_webpage, '.field-value') jarbas_value <- html_text(jarbas_value_html) head(jarbas_value,3) ``` ``` ## [1] "R$ 11,30" "R$ 255,22" "R$ 96,00" ``` --- ## 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) ``` ``` ## [1] 11.30 255.22 96.00 ``` --- ## 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) ``` ``` ## 'data.frame': 100 obs. of 4 variables: ## $ Name : chr "Igor" "Abou" "Bozzella" "Isnaldo" ... ## $ Subquota: chr "Serviços postais" "Serviços postais" "Serviços postais" "Serviços postais" ... ## $ Provider: chr "CORREIOS - CAIXA DE ENCOMENDAS BÁSICA/CONVENCIONAL00.000.000/0000-07" "CORREIOS - MALA DIRETA ENDEREÇADA (POSTAL BÁSICA)00.000.000/0000-07" "CORREIOS - CARTA REGISTRADA00.000.000/0000-07" "CORREIOS - ENCOMENDA PAC00.000.000/0000-07" ... ## $ Value : num 11.3 255.2 96 999.3 200 ... ``` --- ## 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 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") ``` --- <img src="index_files/figure-html/unnamed-chunk-12-1.png" style="display: block; margin: auto;" /> --- ## 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) <div class="figure" style="text-align: center"> <img src="imagens/elpais.png" alt="<center><b>site ElPaís </center></b>" width="100%" /> <p class="caption"><center><b>site ElPaís </center></b></p> </div> --- ## 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 # Passo 2: #Scraping usando ‘p’ names_html <-html_nodes(webpage, 'p') names <- html_text(names_html) head(names) ``` ``` ## [1] "Este navegador não é mais compatível. Para visitar EL PAÍS com a melhor experiência, atualize-o para a versão mais recente ou baixe um dos seguintes navegadores compatíveis:" ## [2] "Um megavazamento de dados pessoais de 223 milhões de brasileiros tornado público na semana passada pela empresa de segurança digital PSafe pode ser o maior na história do país e tem tudo para ser a primeira prova de fogo da Autoridade Nacional de Proteção de Dados (ANPD), criada a partir da entrada em vigor da Lei Geral de Proteção de Dados (LGPD) em agosto do ano passado. Também é o primeiro incidente desta magnitude que se tem notícia no Brasil. A lista com milhões de nomes completos, CPFs e datas de nascimento —de pessoas vivas e mortas— estava disponível para download gratuito a partir de um fórum de discussão na deep web —cópias do arquivo original foram feitas e podiam ser encontradas por qualquer um a partir de buscadores de internet. Em troca de bitcoins, o perfil anônimo responsável pelo vazamento dizia ser possível obter ainda retratos, endereço, telefone, declaração do Imposto de Renda, listas de familiares, renda mensal, score de crédito e muito mais dos alvos em questão. Na terça-feira, após a repercussão do caso, o material foi retirado do ar no fórum de livre acesso com qualquer navegador, mas continua em negociação na deep web." ## [3] "Na lista há dados de gente famosa e autoridades públicas. De acordo com a PSafe, cibercriminosos também tiveram acesso a informações detalhadas sobre mais de 104 milhões de veículos e dados sigilosos de 40 milhões de empresas." ## [4] "“O vazamento é real, confirmada a autenticidade de todos os dados, é o maior vazamento da história do Brasil e certamente um dos maiores do mundo”, afirma Marco DeMello, CEO da PSafe. “Estávamos monitorando a deep web para alguns de nossos clientes e nos deparamos com milhões de CPNJs em negociação, rastreamos e chegamos na fonte”, diz. Ele afirma que a equipe de segurança da empresa entrou em contato com o hacker, que disse cobrar 100 dólares por pacotes com os registros de mil pessoas, empresas ou veículos. Ele diz não ser brasileiro e que vai vender no máximo 1 milhão de contatos para cada comprador, pois pretende ganhar dinheiro com essa base de dados por muito tempo ainda. Segundo DeMello, nas conversas o hacker diz que roubou a base dados da Serasa/Experian, empresa de análise de crédito que cria perfis dos consumidores brasileiros entre outras atividades, mas não tem como saber se isso é verdade. A mesma alegação aparece na página onde ele vende o material, assim como no nome de alguns arquivos." ## [5] "Apoie a produção de notícias como esta. Assine o EL PAÍS por 30 dias por 1 US$" ## [6] "Procurada pela reportagem através de sua assessoria de imprensa, a Serasa/Experian respondeu, após a publicação, que a empresa não é a fonte dos dados vazados. “Embora o hacker afirme que parte dos dados veio da Serasa, com base em nossa análise detalhada até este ponto, concluímos que a Serasa não é a fonte”, diz a nota enviada. “Também não vemos evidências de que nossos sistemas tenham sido comprometidos”, afirma a empresa, que ainda diz não possuir todos os dados oferecidos na internet e que está em contato com autoridades reguladoras para ajudar no caso. " ``` --- ## 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 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) ``` --- <img src="index_files/figure-html/unnamed-chunk-19-1.png" style="display: block; margin: auto;" /> --- ## 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) ``` ``` ## textodataframe Freq ## 1 hacker responsável vazamento profissional difícil rastrear identidade origem virtualmente brasileiros dados venda internet concreto possa executivo acredita anpd ministério púbico federal polícia federal investigar história demello alerta ficar atentos movimentações atípicas conta bancária cartão crédito avisos cobranças pistas possa utilizado fraude 1 ## 2 ler textos gratuitos 1 ## 3 assinante 1 ## 4 dados disponíveis fórum discussões começo identificados empresa segurança terça-feira semana passada extraídos fonte original 18 2018 2020 ceo psafe informações checadas amostragem reais assustador qualquer golpista comprar dados inimagináveis comprar vender veículos imóveis contrair dívidas invadir contas bancárias sistemas informatizados usam imagens abrir empresas estrago demello 1 ## 5 el país conversou profissional tecnologia informação acesso material disponibilizado graça testar veracidade cerca nomes aleatórios sugeridos reportagem busca banco dados profissional voltou resultados corretos cpf data nascimento casos gênero quase baixei queria saber material verdade gente pegou dados usar intencionada pediu identificado reportagem cópia dados cometeu ilegalidade 1 ## 6 lei proteção dados entregou vigor possui artigos versam incidentes segurança criação planos resposta incidentes segurança empresas entes públicos prevê sanções advertência multa faturamento anual 50 milhões reais proibição fonte vazamento continuar tratar dados sensíveis entanto punições aplicadas agosto 2021 1 ``` --- ## 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. <div class="figure" style="text-align: center"> <img src="https://binds.co/img/section/faces-sentiment.png" alt="<center><b>Análise de Sentimento</center></b>" width="55%" /> <p class="caption"><center><b>Análise de Sentimento</center></b></p> </div> 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/) <div class="figure" style="text-align: center"> <img src="imagens/sentimentBR.png" alt="<center><b>sentimentBR</center></b>" width="75%" /> <p class="caption"><center><b>sentimentBR</center></b></p> </div> --- # Pacote `sentimentBR` <br/> <br/> <div class="figure" style="text-align: center"> <img src="https://jodavid.github.io/sentimentBR/reference/figures/logo.png" alt="<center><b>Logo - sentimentBR </center></b>" width="20%" /> <p class="caption"><center><b>Logo - sentimentBR </center></b></p> </div> <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 # 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 # 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 # ------- # Classificando as emocoes de cada paragrafo emotions <- classify_emotion(textColumns = textodataframe, algorithm = 'bayes', lang = "pt") emotions ``` ``` ## RAIVA DESGOSTO MEDO ALEGRIA TRISTEZA SURPRESA CONFIANÇA POSITIVA NEGATIVA ANTECIPAÇÃO BEST_FIT ## [1,] "2.29534107053581" "2.61502587407376" "2.23117171201856" "16.6710820846312" "9.6244348067824" "3.20281253897588" "9.6244348067824" "9.6244348067824" "1.51551065080706" "9.6244348067824" "alegria" ## [2,] "46.2699034880154" "16.633843739491" "31.8042240910739" "30.7643766403287" "31.3420797281218" "22.4676793423954" "59.4335096900736" "87.0831171047051" "50.1690555866591" "50.0176990455856" "positiva" ## [3,] "2.29534107053581" "2.61502587407376" "9.6244348067824" "9.6244348067824" "2.3852198330026" "3.20281253897588" "9.6244348067824" "17.3703030365747" "17.7333589627577" "9.6244348067824" "negativa" ## [4,] "24.2826222792756" "37.6620705376169" "46.5907502806016" "16.6710820846312" "9.6244348067824" "22.4676793423954" "52.3179275638891" "71.5913806451205" "82.6047522105605" "16.3566455132496" "negativa" ## [5,] "9.6244348067824" "2.61502587407376" "2.23117171201856" "2.57778752893365" "2.3852198330026" "3.20281253897588" "2.50885268059795" "1.87856657699013" "9.6244348067824" "2.8922241003152" "raiva" ## [6,] "31.6117160155222" "16.633843739491" "24.4109609963101" "9.6244348067824" "16.8636497805622" "16.0460570745889" "2.50885268059795" "9.6244348067824" "25.8422831187331" "16.3566455132496" "raiva" ## [7,] "9.6244348067824" "2.61502587407376" "24.4109609963101" "9.6244348067824" "9.6244348067824" "16.0460570745889" "9.6244348067824" "1.87856657699013" "42.0601314306838" "9.6244348067824" "negativa" ## [8,] "24.2826222792756" "23.6432526721997" "17.0176979015462" "16.6710820846312" "24.102864754342" "16.0460570745889" "30.9711811853358" "56.099644185536" "25.8422831187331" "36.5532776326512" "positiva" ## [9,] "31.6117160155222" "16.633843739491" "39.1974871858378" "16.6710820846312" "2.3852198330026" "9.6244348067824" "16.7400169329669" "25.1161712663669" "33.9512072747084" "36.5532776326512" "medo" ## [10,] "24.2826222792756" "16.633843739491" "24.4109609963101" "23.7177293624799" "31.3420797281218" "9.6244348067824" "23.8555990591513" "48.3537759557437" "58.2779797426344" "36.5532776326512" "negativa" ## [11,] "38.9408097517688" "9.6244348067824" "31.8042240910739" "16.6710820846312" "16.8636497805622" "9.6244348067824" "45.2023454377047" "40.6079077259515" "66.3869038986098" "9.6244348067824" "negativa" ## [12,] "16.953528543029" "2.61502587407376" "9.6244348067824" "2.57778752893365" "2.3852198330026" "16.0460570745889" "9.6244348067824" "9.6244348067824" "25.8422831187331" "9.6244348067824" "negativa" ## [13,] "24.2826222792756" "23.6432526721997" "17.0176979015462" "23.7177293624799" "16.8636497805622" "16.0460570745889" "23.8555990591513" "32.8620394961592" "25.8422831187331" "23.0888562197168" "positiva" ## [14,] "2.29534107053581" "2.61502587407376" "2.23117171201856" "2.57778752893365" "2.3852198330026" "9.6244348067824" "2.50885268059795" "1.87856657699013" "9.6244348067824" "2.8922241003152" "surpresa" ## [15,] "2.29534107053581" "2.61502587407376" "2.23117171201856" "2.57778752893365" "2.3852198330026" "3.20281253897588" "2.50885268059795" "1.87856657699013" "1.51551065080706" "2.8922241003152" "surpresa" ## [16,] "2.29534107053581" "2.61502587407376" "9.6244348067824" "9.6244348067824" "2.3852198330026" "9.6244348067824" "2.50885268059795" "1.87856657699013" "9.6244348067824" "2.8922241003152" "medo" ## [17,] "2.29534107053581" "2.61502587407376" "2.23117171201856" "2.57778752893365" "2.3852198330026" "3.20281253897588" "2.50885268059795" "1.87856657699013" "1.51551065080706" "2.8922241003152" "surpresa" ## [18,] "2.29534107053581" "2.61502587407376" "2.23117171201856" "2.57778752893365" "2.3852198330026" "3.20281253897588" "2.50885268059795" "1.87856657699013" "1.51551065080706" "2.8922241003152" "surpresa" ## [19,] "2.29534107053581" "2.61502587407376" "2.23117171201856" "2.57778752893365" "2.3852198330026" "3.20281253897588" "2.50885268059795" "1.87856657699013" "1.51551065080706" "2.8922241003152" "surpresa" ``` --- ## Extra: Análise de Sentimentos ```r # ------- # Quantos Parágrafos nrow(emotions) ``` ``` ## [1] 19 ``` ```r # ------- # Tabela das classificações table(emotions[,11]) ``` ``` ## ## alegria medo negativa positiva raiva surpresa ## 1 2 6 3 2 5 ``` Calculando as Polaridades ```r # ------- # Classificando a polaridade de cada paragrafi polarities <- classify_polarity(textColumns = textodataframe, algorithm = "bayes") head(polarities,1) ``` ``` ## POS NEG POS/NEG BEST_FIT ## [1,] "1.03127774142571" "0.445453222112551" "2.31512017476245" "positive" ``` --- ## 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 # ------- # Pacote Necessário library(ggplot2) # ------- ggplot(df, aes(polaridades,fill=polaridades)) + geom_bar() + labs(title="", x ="Polaridades", y = "Quantidades") + theme_minimal() ``` <img src="index_files/figure-html/unnamed-chunk-31-1.png" style="display: block; margin: auto;" /> --- ### Criando um gráfico de Barras e Setores com 'emocoes' ```r # ------- ggplot(df, aes(emocoes,fill=emocoes)) + geom_bar() + labs(title="", x ="Emoções", y = "Quantidades") + theme_minimal() ``` <img src="index_files/figure-html/unnamed-chunk-32-1.png" style="display: block; margin: auto;" /> --- ## 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 # ------- # Gerando Gráfico comparison.cloud(tdm, colors = yarrr::piratepal("basel"), scale = c(3,.5),random.order = F) ``` <img src="index_files/figure-html/unnamed-chunk-34-1.png" style="display: block; margin: auto;" /> --- # 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.)