Wiki

¡Esta es una revisión vieja del documento!

---

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 .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

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

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

Los 781 vídeos que tiene publicados

Preparación de los datos

import os
from transformers import AutoTokenizer
 
# Ruta a la carpeta con los archivos
ruta_listados = "./listados"
 
# Códigos asociados a cada listado
codigos_asociados = {
    "geoestratego_.txt": [1, 2],
    "listado2.txt": [1],
}
 
# Tokenizer de BERT para procesar palabras
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
 
# Leer los listados y tokenizarlos
listados = {}
for archivo in os.listdir(ruta_listados):
    if archivo.endswith(".txt"):
        with open(os.path.join(ruta_listados, archivo), "r", encoding="utf-8") as f:
            frases = f.read().splitlines()  # Cada línea es una frase
            tokenized = [tokenizer(f, truncation=True, padding='max_length', max_length=20, return_tensors="pt") for f in frases]
            listados[archivo] = {
                "frases": tokenized,
                "codigos": codigos_asociados.get(archivo, [])
            }

Definición del modelo con LSTM

import torch
import torch.nn as nn
 
class LSTMFrases(nn.Module):
    def __init__(self, embed_dim, hidden_dim, output_dim):
        super(LSTMFrases, self).__init__()
        self.lstm = nn.LSTM(embed_dim, hidden_dim, batch_first=True, bidirectional=True)
        self.fc = nn.Linear(hidden_dim * 2, output_dim)  # Bidireccional, por eso 2x hidden_dim
        self.sigmoid = nn.Sigmoid()
 
    def forward(self, x):
        _, (hidden, _) = self.lstm(x)  # hidden: (2, batch_size, hidden_dim)
        hidden = torch.cat((hidden[0], hidden[1]), dim=1)  # Concatenar direcciones
        output = self.fc(hidden)
        return self.sigmoid(output)

Entrenamiento

from torch.utils.data import DataLoader, Dataset
 
# Dataset para manejar frases y etiquetas
class FrasesDataset(Dataset):
    def __init__(self, frases, codigos, embed_dim):
        self.frases = frases
        self.codigos = codigos
        self.embed_dim = embed_dim
 
    def __len__(self):
        return len(self.frases)
 
    def __getitem__(self, idx):
        tokens = self.frases[idx]["input_ids"].squeeze(0)
        mask = self.frases[idx]["attention_mask"].squeeze(0)
        etiqueta = torch.tensor(self.codigos, dtype=torch.float)
        return tokens, mask, etiqueta
 
# Configuración del modelo y entrenamiento
embed_dim = 768  # Dimensión de BERT
hidden_dim = 128
epochs = 5
batch_size = 4
learning_rate = 0.001
 
modelos = {}
for nombre, datos in listados.items():
    num_codigos = len(datos["codigos"])
    modelo = LSTMFrases(embed_dim, hidden_dim, num_codigos)
    dataset = FrasesDataset(datos["frases"], datos["codigos"], embed_dim)
    dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)
 
    optimizer = torch.optim.Adam(modelo.parameters(), lr=learning_rate)
    criterio = nn.BCELoss()
 
    # Entrenamiento
    modelo.train()
    for epoch in range(epochs):
        for tokens, mask, etiquetas in dataloader:
            optimizer.zero_grad()
            salida = modelo(tokens.float())  # Los tokens deben estar en formato flotante
            loss = criterio(salida, etiquetas)
            loss.backward()
            optimizer.step()
        print(f"Listado {nombre}, Epoch {epoch+1}, Loss: {loss.item()}")
 
    modelos[nombre] = modelo

Calcular similitud entre una frase nueva y los listados usando el modelo LSTM

from torch.nn.functional import cosine_similarity
 
def calcular_similitud(frase, listado, modelo):
    modelo.eval()
    tokens = tokenizer(frase, truncation=True, padding='max_length', max_length=20, return_tensors="pt")
    input_ids = tokens["input_ids"]
    mask = tokens["attention_mask"]
    with torch.no_grad():
        vector_frase = modelo(input_ids.float())
    total_similitud = 0
    for tokens_listado in listado["frases"]:
        input_ids_listado = tokens_listado["input_ids"]
        with torch.no_grad():
            vector_listado = modelo(input_ids_listado.float())
        similitud = cosine_similarity(vector_frase, vector_listado).item()
        total_similitud += similitud
    return total_similitud / len(listado["frases"])
 
# Ejemplo de evaluación
nuevo_listado = ["la vida es hermosa", "estoy lleno de energía"]
for frase in nuevo_listado:
    for nombre, modelo in modelos.items():
        similitud = calcular_similitud(frase, listados[nombre], modelo)
        print(f"Similitud de '{frase}' con {nombre}: {similitud:.2f}")

desinformadores.gz