Corpus con las versiones estenográficas de los informes diarios sobre coronavirus COVID-19 en México presentados por Hugo López-Gatell, disponibles en el sitio de la Presidencia de la República (https://www.gob.mx/presidencia).
A cada versión estenográfica le corresponde un documento de texto que tiene por nombre la fecha de su publicación en el sitio de la Presidencia de la República (eg. 2020-02-28.txt). De momento, no se han eliminado las alusiones a los interlocutores (eg. HUGO LÓPEZ-GATELL RAMÍREZ, SUBSECRETARIO DE PREVENCIÓN Y PROMOCIÓN DE LA SALUD), aunque por su formato debería ser posible identificarlas y/o eliminarlas fácilmente con expresiones regulares. El corpus se actualiza regularmente los días lunes y contiene las informes presentados entre los meses de febrero de 2020 y febrero de 2021.
Este corpus se creó con el lenguaje de programación R y la ayuda de los paquetes tidyverse, selectr, xml2 y rvest. El código utilizado para armarlo está disponible en el archivo scraper.R. La lista completa de las direcciones URL utilizadas se encuentra en el archivo urls_informes.txt.
El sitio de la Presidencia de la República comparte su contenido públicamente, a menos de que se indique lo contrario (cf. https://www.gob.mx/terminos). Los contenidos de este repositorio se distribuyen bajo la licencia Creative Commons CC BY 4.0.
¿Quieres explorar el corpus sin necesidad de programar? Prueba con Voyant Tools o AntConc.