Wordcloud de letras de canciones

letras.R

# Cargo las librerias necesarias
library('rvest') # Para scrapear paginas
library('tm') # Text Mining
library('wordcloud')
library('RColorBrewer') # Paletas de colores
library('SnowballC') # Stemming
library('GetoptLong')  # qq() permite interpolar strings

# Seteo locale para no tener problemas de acentos
Sys.setlocale('LC_CTYPE', 'en_US.UTF-8')

artist <- 'damas-gratis'
#artist <- 'patricio-rey-y-sus-redonditos-de-ricota'
url <- qq('https://www.letras.com/@{artist}/')
webpage <- read_html(url)
links <- html_nodes(webpage, '.cnt-list li a')
urls <- html_attr(links, 'href')

# Agrego el dominio a las URLs relativas
urls <- paste(
  'https://www.letras.com',
  urls[startsWith(urls, qq('/@{artist}/'))],
  sep=''
)

# Dejar solo las URLs unicas
urls <- unique(urls)

# Tomar una muestra
urls <- sample(urls, 50)

# Bajar los documentos
documents <- lapply(urls, read_html)

# Extraigo la letra de cada documento
clean_articles <- sapply(documents, function (d) {
  return(
    html_text(html_node(d, '.cnt-letra article'), trim=TRUE)
  )
})

# Creo un corpus
corpus <- Corpus(VectorSource(clean_articles))

# Convertir a minusculas
corpus <- tm_map(corpus, content_transformer(tolower))

# Sacar numeros
corpus <- tm_map(corpus, removeNumbers)

# Sacar palabras comunes
corpus <- tm_map(corpus, removeWords, stopwords('spanish'))

# Sacar puntiacion
corpus <- tm_map(corpus, removePunctuation)

# Sacar espacios
corpus <- tm_map(corpus, stripWhitespace)

# Stemming
#corpus <- tm_map(corpus, stemDocument)

# Creo matriz de documentos
dtm <- TermDocumentMatrix(corpus)
m <- as.matrix(dtm)
# Frecuencias
v <- sort(rowSums(m), decreasing=TRUE)
# Creo un DF con las frecuencias de cada palabra
d <- data.frame(word = names(v), freq=v)

# Dibujo la nube de palabras
wordcloud(words = d$word, freq = d$freq, min.freq = 1,
          max.words=200, random.order=FALSE, rot.per=0.35, 
          colors=brewer.pal(8, 'Dark2'))