El santoral de El centón de un enano con R

Santoral español

En R existen diversos paquetes que permiten recopilar información de páginas publicadas en la internet. Cada uno de ellos se encarga de una tarea específica, como por ejemplo:

Descargar una página web con el paquete httr.
Extraer las partes relevantes con el paquete rvest.
Procesar las cadenas de texto con el paquete stringr.
Guardar la información con el paquete data.table.

Bajo licencia CC BY-NC-ND Santopedia publica el santoral español. Usaremos dicha página como ejemplo de aplicación de los paquetes anteriormente descritos.

Referencia

Santopedia.

Código

Código fuente R.

library(httr)
library(rvest)
library(stringr)
library(data.table)

Download the source

url <- "https://www.santopedia.com/santoral"
file <- tempfile() # temporal file
GET(url,write_disk(file)) # get the url and save it

Extract the relevant part

body_text <- read_html(file) %>%
    html_nodes("#content") %>%
    html_text()

Now, the boring steps… Split by months

pormeses <- strsplit(body_text,"Santoral de")[[1]][-1]

Split by days

pormesesdias <- lapply(1:12,function(i){
    mes <- pormeses[[i]]
    print(i)
    print(mes)
    mes <- str_replace(mes,"[:alpha:]+\n[ 1]+\n","1|")
    mes <- str_replace_all(mes, " y otros\\.\\.\\.","")
    mes <- str_replace_all(mes, "\n\n","\n")
    mes <- str_replace_all(mes, "\n([ 0-9]+)\n","\n\\1|")
    print(mes)
    dt <- fread(text=mes,sep="|")
    dt$mes <- i
    dt
})

Collect them

santoral <- rbindlist(pormesesdias)
colnames(santoral) <- c("dia","santos","mes")
santoral <- santoral[,.(mes,dia,santos)]
santoral[,mesdia:=paste0(sprintf("%02d", mes),"-",sprintf("%02d", santoral$dia))]
santoral # Alleluia!

Put the results in this directory

graphdirectory <- "graphics"
dir.create(graphdirectory, showWarnings = FALSE)
fwrite(santoral,file.path(graphdirectory,"santoral.csv"))

Write it a la emacs-lisp

stringelisp <- paste0("(",paste0(paste0("(\"",santoral$mesdia,"\" . \"",santoral$santos,"\")"),collapse="\n"),")")
cat("\n\n\n")
cat(stringelisp,sep="\n\n")
cat("\n\n\n")