Home
Dataset de libros electrónicos de ciencias de la computación publicados en Springer desde el 2015 al 2021.
Cada día más personas están más interesadas en la lectura mediante contenido digital, es por esto por lo que la industria del eBook ha permitido ampliar los mercados. La industria de la investigación y la ciencia también están migrando a estas plataformas provocando una mayor difusión y cercanía con la población a temas que antes solo estaban en boca de la comunidad científica.
En el contexto de la actual crisis sanitaria global se ha seleccionado este portal para recolectar datos de las publicaciones que se han estado realizando en la disciplina de la tecnología aplicadas a diferentes ramas áreas, como la salud, educación, conectividad, desarrollo social, entre otros.
Este portal cuenta con una biblioteca de recursos científicos, digitales mayormente, de primera, llegando en ciertos casos a estar disponibles gratuitamente al público en general. Considerando el historial tecnológico de los participantes en este proyecto, se ha limitado el alcance del estudio a recolectar información de los libros que se han categorizado como ciencias de la computación (Computer Science) desde el 2015 hasta el presente año.
Existe la necesidad de conocer los temas donde la comunidad científica ha sido más prolífica, lo cual permitirá conocer las áreas donde se pueden implementar nuevas soluciones a las problemáticas de la sociedad. Así mismo, con este proyecto se pretende conocer los ámbitos donde aún los científicos deben invertir sus esfuerzos para investigar y publicar material digital de calidad.
Por otra parte, la tendencia hacia una mayor especialización en los sectores industriales ha incrementado el número de estudiantes de másteres y doctorados en el país por casi un 11% (datos del 2018), lo que ha conllevado a una mayor difusión de sitios web como “springer” ya que son fuentes de contenido refutadas y de fácil acceso.
Por este nuevo interés y avance de la forma de comercializar este contenido, nace una necesidad de conocer más acerca de la oferta y las opciones más convenientes a la hora de adquirir este tipo de contenido, además de conocer cuáles son las tendencias mediante el número de publicaciones realizadas por año.
Se ha seleccionado el sitio web de Springer, ya que ofrece una gama muy amplia libros en formato físico y digital de ciencia, tecnología, medicina y más.
Considerando que en este sitio web ofrece la posibilidad de adquirir libros en formato físico y digital se ha decidido analizar cuál es la diferencia de precios entre estos dos formatos he intentar conocer cuando es más conveniente comprarlos en un determinado formato. Además, se quiere analizar la frecuencia de publicaciones anuales en las diferentes temáticas que corresponden a la disciplina de ciencias de la computación (Computer Science), desde el año 2015 a la actualidad.
El dataset está basado en poder encontrar toda la información sobre un libro publicado en el sitio Springer, partiendo desde el nombre hasta el costo; con las siguientes características:
- Formato: CSV
- Fuente de datos: https://www.springer.com
- Nombre del dataset: books_data_springer.csv
- Número de páginas consultadas: 500.
- Primera línea: Contiene las etiquetas o encabezados de los campos.
- Separador de los campos: coma (,)
- Número de variables o campos: 15
- Número de filas (aprox.): 10000
Como hemos mencionado anteriormente, el periodo del tiempo considerado para extraer datos está entre el 2015 y el 2021. La recolección se ha aplicado únicamente sobre la disciplina Ciencias de la Computación (Computer Science)
El dataset contiene toda la información relevante sobre un libro publicado en Springer. Se han considerado los siguientes campos a extraer:
| Nombre del campo | Tipo | Descripción | Ejemplo |
|---|---|---|---|
| Page | Numérico | Número de la página (en Springer) desde donde se obtuvo la información | 258 |
| title | Texto | Título o nombre del libro | ‘Java 9 Revealed’ |
| topic | Texto | Temática central del libro | ‘Java’ |
| isbn | Texto | Identificador ISBN del libro | '978-1-4842-2592-9' |
| pages | Texto | Número de páginas del libro. Algunos contienen la numeración romana inicial | 'XXIV, 521' |
| year | Numérico | Año del copyright del libro | 2017 |
| online_access | Numérico | Código numérico que indica acceso online | 0 = NO, 1 = SI |
| format | Numérico | Código numérico que indica el formato del libro | 1 = ebook, 2 = hardcover, 3 = online, 4 = softcover, 5 = 2 formatos, 6 = más de 2 formatos |
| editorial | Texto | Casa Editorial o editora del libro | 'Apress' |
| ebook-price | Numérico | Precio del libro en formato ebook | 29.99 |
| hardcover-price | Numérico | Precio del libro en formato hardcover (pasta dura) | 29.99 |
| softcover-price | Numérico | Precio del libro en formato softcover (pasta blanda) | 49.99 |
| print-price | Numérico | Precio del libro en formato impreso (print) | 49.99 |
| print-ebook-price | Numérico | Precio del libro en formato print-ebook | 1,199.99 |
| authors | Texto | Autor (es) del libro | "Zhang, Y. (Ed) (2021)" |
Se han extraído campos o variables desde la página donde se encuentran el listado de libros, cuyo número se indica en el dataset, y también de la página donde reposa la información bibliográfica de cada uno.
Se ha ejecutado el script para extraer datos en rangos de 100 páginas con un pequeño retraso entre 3 y 5 segundos para evitar posibles bloqueos por parte del administrador del portal de Springer. Cabe mencionar que durante la extracción del dataset no se tuvo problemas con bloqueos por parte del administrador del portal.
En el caso de las variables (campos) donde no se ha encontrado datos por diferentes razones se ha definido valores de “NA” o nulos (vacíos).
Agradecemos a la web de Springer, la cual consideramos de gran valor, ya que es que una de las más completas del ámbito científico con miles de libros publicados a la venta lo que nos ha ayudado a poder generar el dataset que responde a los cuestionamientos ya mencionados.
También agradecemos a los portales GitHub y Zenodo, que han proporcionado un medio para cargar nuestro proyecto y dataset, respectivamente; con esto ha sido posible el acceso público para los fines que la comunidad considere oportunos.
Para le extracción de la información hemos usado herramientas de código libre, como es, el lenguaje Python con la librería BeautifulSoup, por lo cual también nuestros agradecimientos van dirigidos a toda la comunidad de desarrolladores que mantienen y dan soporte a estas tecnologías.
Se detalla el propietario de la página web de Springer, según los datos obtenidos por el script owner.py, que se encuentra en el repositorio:
{
"domain_name": [
"SPRINGER.COM",
"springer.com"
],
"registrar": "Eurodns S.A.",
"whois_server": "whois.eurodns.com",
"referral_url": null,
"updated_date": [
"2020-05-22 03:24:22",
"2020-05-22 05:36:31"
],
"creation_date": [
"1997-05-29 04:00:00",
"2009-05-28 00:00:00"
],
"expiration_date": [
"2021-05-28 04:00:00",
"2021-05-27 00:00:00"
],
"name_servers": [
"PDNS1.ULTRADNS.NET",
"PDNS2.ULTRADNS.NET",
"PDNS3.ULTRADNS.ORG",
"PDNS4.ULTRADNS.ORG",
"PDNS5.ULTRADNS.INFO",
"PDNS6.ULTRADNS.CO.UK",
"pdns1.ultradns.net",
"pdns2.ultradns.net",
"pdns3.ultradns.org",
"pdns4.ultradns.org",
"pdns5.ultradns.info",
"pdns6.ultradns.co.uk"
],
"status": [
"clientTransferProhibited https://icann.org/epp#clientTransferProhibited",
"clientTransferProhibited http://www.icann.org/epp#clientTransferProhibited"
],
"emails": [
"legal@eurodns.com",
"legalservices@eurodns.com",
"hostmaster@springernature.com"
],
"dnssec": "unsigned",
"name": "Schipper Jaap",
"org": "Springer Nature B.V.",
"address": "van Godewijckstraat 30",
"city": "Dordrecht",
"state": null,
"zipcode": "3311 GX",
"country": "NL"
}Nuestro proyecto no tiene como referencia o se basa en estudios previos, por tal motivo creemos que en el futuro podrá ser usado como guía para otros interesados en la temática, permitiendo realizar estudios más completos e integrales sobre los datos de libros publicados en el portal de Springer.
Proyectos similares al nuestro lo podemos encontrar en el portal Kaggle, donde se encuentra publicado un dataset con un listado completo de libros del portal goodreads.com.
Hemos elegido estos datos porque responde fácilmente en qué formato de libro es más conveniente comprar de acuerdo con los precios.
Otras preguntas que se podrían responder con este dataset son:
- Frecuencia anual de libros o revistas publicadas en los tópicos que corresponden a la disciplina de Ciencias de la Computación que se han publicado entre 2015 y 2021.
- Conocer las temáticas de investigación donde el costo de adquirir libros es más elevado o más bajo.
- Conocer la disponibilidad de formatos entre los libros y revistas del portal.
- Conocer las temáticas que mayor material bibliográfico con acceso en línea tiene.
Por otra parte, este conjunto de datos nos permite introducirnos en el mundo del scraping ya que su contenido es estructurado, estable y diverso. Con estas características se puede realizar un trabajo de mayor confiabilidad lo que conlleva a análisis más precisos, en nuestro caso poder conocer en qué formatos es más conveniente adquirir un libro o a que tópicos se ha centrado la comunidad científica desde el 2015 a la fecha.
El dataset también podría ser usado como una fuente alternativa en la búsqueda de contenido por autores o tópicos ayudando en la difusión de este tipo de contenido.
Aunque el alcance de este proyecto no abarca extraer información de libros de las diferentes disciplinas (como astronomía, negocios y administración, química, ciencias de la tierra, economía, salud pública, entre otros) que tiene el portal, para futuros estudios se podría considerar incluir esta variable, lo que sin duda permitirá tener otra perspectiva de los datos recolectados.
Existen libros que comprende varias líneas investigativas en diferentes temáticas del saber, por lo que analizar un dataset con estas variables adiciones permitiría obtener un conocimiento más global de cómo se desarrolla la investigación en la comunidad científica.
Se ha seleccionado la licencia MIT, ya que es una licencia permisiva breve y simple con condiciones que solo requieren la preservación de los avisos de licencia y derechos de autor. Los trabajos con licencia, las modificaciones y los trabajos más grandes pueden distribuirse bajo diferentes términos y sin código fuente.
- Uso comercial
- Modificación
- Distribución
- Uso privado
- Responsabilidad
- Garantía
El código fuente y la demás documentación del proyecto se encuentra alojada en el siguiente repositorio: https://github.com/gpbonillas/springer-data. La estructura general del proyecto es la siguiente:
-
src: Contiene 3 archivos, según las siguientes indicaciones:
- owner.json: Respuesta JSON al momento de ejecutar el script owner.py
- owner.py: Script que hace uso de la librería python-whois, lo que permite conocer el propietario de la página.
- scraper.py: Script que contiene toda la lógica de extracción de los datos del portal de Springer.
-
data: Contiene el dataset luego de haber ejecutado el script
scraper.py - docs: Contiene la documentación referente al proyecto.
- LICENSE: Archivo que contiene la declaración de la licencia usada para este proyecto. En este caso se ha usado la licencia MIT.
- README.md: Archivo que contiene una breve descripción del proyecto.
Con la finalidad de evitar los riesgos de aplicar web scraping al extraer los datos se han aplicado las siguientes buenas prácticas:
- Demoras en las consultas a la página, con unos cortos retrasos entre cada petición al servidor y,
- Gestión de valores nulos o no existentes se lo ha implementado.
- Uso de headers personalizados en las peticiones al servidor. Principalmente se ha modificado la cabecera ‘User-Agent’.
El dataset ha sido publicado en el portal Zenodo, con una breve descripción. El DOI del dataset publicado es el siguiente:
| Contribuciones | Firma |
|---|---|
| Investigación previa | L.A.T.G., G.P.B.S. |
| Redacción de las respuestas | L.A.T.G., G.P.B.S. |
| Desarrollo código | L.A.T.G., G.P.B.S. |