Wiki

1º Tomar como base los principales desinformadores de España, que son los que proporcionan una información más heterogenea en datos
2º Extraer los títulos de los vídeos,shorts y directos de youtube mediante web scrapping
3º Limpiarlos de caracteres extraños, tildes, artículos y preposiciones que no sirven para el propósito mediante el editor de textos sed
4º Hacer pruebas midiendo el grado de similitud ideológica de diferentes usuarios/seguidores respecto a dichos desinformadores

Extraemos los títulos de los vídeos, shorts y directos mediante web scrapping

"""
MIT License
 
Copyright (c) 2025 wiki.acosadores.net
 
Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:
 
The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.
 
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.
"""
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time
 
def manejar_mensaje_cookies(driver):
    #Maneja el mensaje de cookies en YouTube.
    try:
        # Espera hasta que el botón de cookies sea visible
        boton_cookies = WebDriverWait(driver, 10).until(
            EC.element_to_be_clickable((By.XPATH, '//button[.//span[text()="Aceptar todo"]]'))
        )
        boton_cookies.click()  # Haz clic en el botón
        print("Mensaje de cookies cerrado.")
    except Exception as e:
        print(f"No se encontró el mensaje de cookies o hubo un error: {e}")
 
def iniciar_driver():
    """Inicializa el navegador de Selenium."""
    options = webdriver.ChromeOptions()
    options.add_argument('--headless')  # Modo sin interfaz gráfica (opcional)
    options.add_argument('--disable-gpu')
    options.add_argument('--no-sandbox')
    options.add_argument('--disable-dev-shm-usage')
    return webdriver.Chrome(options=options)
 
def obtener_videos_con_scroll(url_canal):
    driver = iniciar_driver()
    driver.get(url_canal)
    time.sleep(5)  # Espera un poco para que la página cargue completamente
 
    # Manejar el mensaje de cookies
    manejar_mensaje_cookies(driver)
 
    SCROLL_PAUSE_TIME = 4
    last_height = driver.execute_script("return document.documentElement.scrollHeight")
    videos_cargados = set()
 
    while True:
        driver.execute_script("window.scrollTo(0, document.documentElement.scrollHeight);")
        time.sleep(SCROLL_PAUSE_TIME)
        videos = driver.find_elements(By.XPATH, '//ytd-rich-grid-media//yt-formatted-string[@id="video-title"]')
        print(f"Videos encontrados en esta iteración: {len(videos)}")
 
        for video in videos:
            try:
                title = video.text
                link = video.find_element(By.XPATH, './ancestor::ytd-rich-grid-media//a').get_attribute('href')
                videos_cargados.add((title, link))
            except Exception as e:
                print(f"Error al extraer un video: {e}")
 
        new_height = driver.execute_script("return document.documentElement.scrollHeight")
        if new_height == last_height:
            break
        last_height = new_height
 
    driver.quit()
    lista_videos = [{'titulo': title, 'link': link} for title, link in videos_cargados]
    print(f"Total de videos recogidos: {len(lista_videos)}")
    return lista_videos
 
def obtener_shorts_con_scroll(url_canal):
    driver = iniciar_driver()
    driver.get(url_canal)
    time.sleep(5)
 
    # Manejar el mensaje de cookies
    manejar_mensaje_cookies(driver)
 
    SCROLL_PAUSE_TIME = 3
    last_height = driver.execute_script("return document.documentElement.scrollHeight")
    shorts_cargados = set()
 
    while True:
        driver.execute_script("window.scrollTo(0, document.documentElement.scrollHeight);")
        time.sleep(SCROLL_PAUSE_TIME)
        shorts = driver.find_elements(By.XPATH, '//a[contains(@class, "shortsLockupViewModelHostEndpoint")]')
        print(f"Shorts encontrados en esta iteración: {len(shorts)}")
 
        for short in shorts:
            try:
                title = short.get_attribute('title')
                link = "https://www.youtube.com" + short.get_attribute('href')
                shorts_cargados.add((title, link))
            except Exception as e:
                print(f"Error al extraer un short: {e}")
 
        new_height = driver.execute_script("return document.documentElement.scrollHeight")
        if new_height == last_height:
            break
        last_height = new_height
 
    driver.quit()
    lista_shorts = [{'titulo': title, 'link': link} for title, link in shorts_cargados]
    print(f"Total de shorts recogidos: {len(lista_shorts)}")
    return lista_shorts
 
def obtener_streams_con_scroll(url_canal):
    driver = iniciar_driver()
    driver.get(url_canal)
    time.sleep(5)
 
    # Manejar el mensaje de cookies
    manejar_mensaje_cookies(driver)
 
    SCROLL_PAUSE_TIME = 3
    last_height = driver.execute_script("return document.documentElement.scrollHeight")
    streams_cargados = set()
 
    while True:
        driver.execute_script("window.scrollTo(0, document.documentElement.scrollHeight);")
        time.sleep(SCROLL_PAUSE_TIME)
        streams = driver.find_elements(By.XPATH, '//a[@id="video-title-link"]')
        print(f"Streams encontrados en esta iteración: {len(streams)}")
 
        for stream in streams:
            try:
                title = stream.get_attribute('title')
                link = "https://www.youtube.com" + stream.get_attribute('href')
                streams_cargados.add((title, link))
            except Exception as e:
                print(f"Error al extraer un stream: {e}")
 
        new_height = driver.execute_script("return document.documentElement.scrollHeight")
        if new_height == last_height:
            break
        last_height = new_height
 
    driver.quit()
    lista_streams = [{'titulo': title, 'link': link} for title, link in streams_cargados]
    print(f"Total de streams recogidos: {len(lista_streams)}")
    return lista_streams
 
# URLs de ejemplo
url_videos = "https://www.youtube.com/@geoestratego_oficial/videos"
url_shorts = "https://www.youtube.com/@geoestratego_oficial/shorts"
url_streams = "https://www.youtube.com/@geoestratego_oficial/streams"
 
titulos_videos = obtener_videos_con_scroll(url_videos)
titulos_shorts = obtener_shorts_con_scroll(url_shorts)
titulos_streams = obtener_streams_con_scroll(url_streams)
 
for titulo in titulos_videos + titulos_shorts + titulos_streams:
    print(f"Título: {titulo['titulo']}, Enlace: {titulo['link']}")
 
 
python3 raspado.py > geoestratego.txt

El resultado está en éste archivo desinformadores.gz

El .txt hay que prepararlo y no lo está, ésto contienen las 4 primeras líneas

cat geoestratego.txt | sed -n '1,4p'
Shorts encontrados en esta iteración: 192
Shorts encontrados en esta iteración: 288
Shorts encontrados en esta iteración: 384
Shorts encontrados en esta iteración: 480

Limpiamos, sólo quedamos lo que sirve, los títulos, sin caracteres raros, acentos y con minúsculas todo

cat geoestratego.txt | grep Título | sed '/^Título: ,/d;s/^Título: //g;s/, Enlace: .*$//g;s/[A-Z]/\L&/g;y/áéíóú/aeiou/;s/[^a-zñ0-9 ]/ /g;s/  \+/ /g' | perl -ple 's/[^a-zñÑ0-9 ]//gi' | perl -ple '$_=lc' | sed 's/ \+/ /g;s/^ //g' > geoestratego_.txt

volvemos a limpiar

sed -Ei 's/ de / /g;s/ la / /g;s/ los / /g;s/ las / /g;s/ y / /g;s/ el / /g;s/ del / /g;s/ al / /g;s/ a / /g;s/^el |^la |^los |^las //g;s/^lo //g;s/ en / /g;s/ un / /g;s/^ //g;' geoestratego_.txt

El .txt ya está preparado, éstas son las 4 primeras líneas

cat geoestratego_.txt | sed -n '1,4p'
plan final biden para desestabilizar mundo
marcha militar coronel pedro baños
pedro baños geopolitica 2 3 
medios comunicacion pierden control
 
 
cat geoestratego_.txt | wc -l
781

Los 781 vídeos que tiene publicados

Preparación de los datos

"""
MIT License
 
Copyright (c) 2025 wiki.acosadores.net
 
Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:
 
The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.
 
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.
"""
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
 
# 1. Leer los archivos .txt
with open("usuario.txt", "r", encoding="utf-8") as f1, open("geoestratego_.txt", "r", encoding="utf-8") as f2:
    frases1 = f1.readlines()  # Frases de usuario.txt
    frases2 = f2.readlines()  # Frases de geoestratego.txt
 
# 2. Vectorizar las frases de ambos ficheros con TF-IDF
vectorizer = TfidfVectorizer()
tfidf_matrix1 = vectorizer.fit_transform(frases1)  # Matriz TF-IDF para fichero1
tfidf_matrix2 = vectorizer.transform(frases2)      # Transformamos fichero2 con el mismo modelo
 
# 3. Calcular la similitud coseno entre frases de fichero1 y fichero2
cosine_sim = cosine_similarity(tfidf_matrix1, tfidf_matrix2)
 
# 4. Mostrar los resultados
print("Similitudes Coseno entre las frases de usuario.txt y geoestratego_.txt:")
for i in range(len(frases1)):
    for j in range(len(frases2)):
        print(f"Similitud entre frase {i + 1} de usuario y frase {j + 1} de geoestratego_: {cosine_sim[i, j]:.2f}")