
Open
Posted
•
Ends in 6 days
Paid on delivery
Necesito automatizar la extracción periódica de datos públicos con Python y transformarlos en conjuntos listos para análisis interno. El objetivo principal es contar con un script robusto de web scraping que capture la información relevante, la limpie, la normalice y la almacene en un formato estructurado (CSV o base SQL) manteniendo la trazabilidad de cada registro. Alcance general • Desarrollar un scraper en Python (Scrapy o BeautifulSoup + Requests; Selenium sólo si es indispensable) capaz de recorrer las fuentes indicadas y salvar bloqueos comunes como paginación, cambios de DOM o limitaciones de tráfico. • Diseñar lógica de actualización trimestral: al ejecutarse, el código debe identificar novedades y registrar únicamente los cambios, evitando duplicados. • Entregar documentación clara que explique instalación, variables de entorno y modo de despliegue (cron, GitHub Actions, AWS Lambda, etc.). • Incluir un pequeño cuaderno Jupyter o script de ejemplo que muestre cómo consumir el dataset resultante para fines de análisis. Criterios de aceptación 1. El scraper corre sin intervención manual y deja registros de logs legibles. 2. Los datos llegan limpios (tipos correctos, sin caracteres huérfanos) y con fecha de última captura. 3. El proceso completo está optimizado con procesamiento asíncrono/multihilo para manejar grandes volúmenes de datos (cruces masivos de hasta 32M de registros). 4. Se demuestra una corrida exitosa que genera el primer lote y su correspondiente diff para la siguiente actualización. Espero propuestas que detallen brevemente la arquitectura sugerida y ejemplos previos de trabajos de scraping o data engineering similares.
Project ID: 40743365
18 proposals
Open for bidding
Remote project
Active 2 secs ago
Set your budget and timeframe
Get paid for your work
Outline your proposal
It's free to sign up and bid on jobs
18 freelancers are bidding on average $956 USD for this job

Hola. Para desarrollar este sistema de extracción periódica, propongo utilizar Python con Scrapy o BeautifulSoup, estructurando un proceso robusto que maneje la paginación y los cambios de DOM sin intervención manual. La arquitectura incluirá limpieza y normalización de datos mediante Pandas para asegurar tipos correctos y eliminar caracteres huérfanos, incorporando una marca temporal de última captura para mantener la trazabilidad. Para la actualización trimestral y el manejo eficiente de grandes volúmenes de datos, implementaré lógica para identificar novedades y registrar únicamente los cambios, evitando duplicados y optimizando el rendimiento. El almacenamiento se realizará en formato estructurado o base SQL, y se entregará documentación clara sobre la instalación, variables de entorno y despliegue, junto con un script o cuaderno de ejemplo para consumir el dataset resultante y demostrar la generación del primer lote y su correspondiente diff. Quedo a disposición para conversar sobre los detalles de su proyecto.
$1,125 USD in 7 days
6.1
6.1

Hello, I'm Denis, a full-stack developer specializing in automated data pipelines and large-scale scraping systems. I understand your needs: a reliable, hands-off scraper that pulls data from public sources, cleans it, and stores only new or changed records. The system must handle significant volumes efficiently, maintain clear logs, and run unattended. I've built similar projects where the main challenge is creating resilient systems that track processed data, handle structure changes, and avoid duplicates. My approach: **Technical Implementation:** - Build the scraper using Scrapy or BeautifulSoup with retry logic and rotating headers - Implement hash-based deduplication on key fields for quick delta detection—critical for 32M+ record operations - Design asynchronous batch processing to keep execution times reasonable - Use Lambda with CloudWatch logs for scheduled execution (or cron for simplicity) **Key Advantages:** - Change detection system captures only new/modified data - Flexible selectors with error notifications alert you immediately if sources change structure - Resilient design prevents issues rather than patching them later I can start immediately. Let's discuss the specifics. Thanks, Denis.
$750 USD in 10 days
6.1
6.1

Hola: Este proyecto encaja muy bien con una arquitectura de scraping mantenible y preparada para crecer, sin convertir cada actualización trimestral en una expedición arqueológica. Sugiero separar el sistema en capas: extracción con Scrapy y Requests/BeautifulSoup según cada fuente, validación y normalización con pipelines de datos, persistencia en SQL o CSV particionado, y un mecanismo de deduplicación basado en identificadores y hash del contenido. Para los cambios, podemos mantener una fecha de captura y una tabla de control que genere diffs entre ejecuciones, registrando altas, modificaciones y bajas detectables. Para los volúmenes indicados, plantearía procesamiento concurrente controlado, reintentos con backoff, límites de velocidad por dominio, paginación robusta y consultas por lotes. Los logs estructurados facilitarán diagnosticar fallos, mientras que la documentación incluirá instalación, variables de entorno y despliegue mediante cron, GitHub Actions, Lambda u otra opción adecuada. También entregaré una demostración reproducible con el primer lote, el diff de actualización y un notebook o script para consumir el dataset. La prioridad será que el proceso sea trazable, automatizable y sencillo de mantener cuando las fuentes cambien.
$1,250 USD in 4 days
5.5
5.5

Could you clarify which specific public data sources you'd like the scraper to target for extraction? For optimal performance, I recommend implementing asynchronous processing to handle large datasets effectively, especially with potential scalability in mind. I have extensive experience in Python and web scraping using both Scrapy and BeautifulSoup, ensuring data is extracted, cleaned, and formatted correctly for analysis. I will develop a robust scraper that navigates the indicated sources, implements quarterly updates to track changes, and outputs structured data in CSV or SQL. I will also provide clear documentation and a sample script for easy data consumption. Please feel free to reach out to me. I look forward to working with you. Best regards, Billy Bryan
$750 USD in 3 days
4.8
4.8

Hello, Your project requires a dependable Python data pipeline that periodically collects public sources, cleans and normalizes records, preserves traceability, and produces reliable diffs without duplicates. The main challenge is supporting large volumes while keeping updates observable and repeatable. I would build the scraper with Scrapy or Requests, using asynchronous processing, structured validation, resilient pagination handling, retry and rate-limit controls, and SQL or CSV persistence. Incremental updates would use stable record keys, capture timestamps, change detection, and clear logging, with deployment documentation for cron, GitHub Actions, or Lambda. Similar work includes data pipelines and AI-powered platforms where I designed Node.js and Python backends, API integrations, normalization workflows, and maintainable processing logic. I can also provide the requested example notebook showing dataset consumption and the initial-versus-next-run diff. I will deliver a clean first working milestone within 7 days, including the scraper, initial dataset, diff demonstration, documentation, and tests for critical transformations. The implementation will be structured for future source changes and large-scale processing. Best regards, Bohdan
$1,350 USD in 7 days
3.9
3.9

Hi, I’ll build a robust Python pipeline for recurring public-data extraction, normalization, and storage, including a scraper with pagination/change handling, deduplication via incremental diffs, and structured output to CSV or SQL with capture metadata. The main technical concern here is keeping the process stable as site structure and volume change, so I’ll add retry logic, selector fallbacks, logging, and async processing where appropriate. I recently built a similar data-ingestion workflow that cleaned and reconciled scraped records into analysis-ready datasets. For your project, I’d begin by mapping the target sources and data model, then implement the scraper, cleaning rules, and a reproducible example notebook. ¿Qué fuentes específicas y cuántos campos clave necesitas conservar por registro? Best regards, NexLoom
$750 USD in 3 days
3.6
3.6

Hi, Before writing any code I'd need to see the actual sites you're pulling from, how many pages or endpoints, and whether they load data straight in the HTML or pull it in through JavaScript calls. That changes whether plain requests work or I need something heavier like Selenium. I'd also want to know roughly how big each quarterly pull is, since 32M records means the storage side (probably Postgres over CSV) and the diff logic need to be built for scale from day one, not bolted on later. Once that's clear, the build is straightforward: a Python scraper with retry and rate-limit handling, a cleaning step that normalizes types and strips junk characters, and a change-detection layer that only writes new or updated rows. I'll set it up to run on a schedule with readable logs, plus a short notebook showing how to query the dataset. I've run into sites that quietly change their DOM mid-project before, so I'll build in alerts for that rather than letting it fail silently. This runs about 4 days depending on the source count. Best, Emrah
$1,050 USD in 4 days
2.8
2.8

I can start right now I have checked the details. To handle those massive crosses of up to 32M records efficiently, I'd build the scraper using Python with Scrapy and async requests to keep it fast, handling storage in a structured SQL format with built-in deduplication for the quarterly updates. Architecture-wise, I'll set up robust pagination handling, proper logging, and incremental diff tracking, wrapping it with a clean Jupyter notebook for your internal analysis. Quick question: are the target sources behind any heavy Cloudflare/Captcha protection that might require proxy rotation? lets do it
$750 USD in 7 days
1.0
1.0

Hello, your goal for a robust Python web scraper to handle large volumes and deliver clean, updated data aligns well with my expertise. I focus on optimizing scraping processes to manage significant data volumes, similar to improving page load times from 3.4s to 2.2s. I can implement the required asynchronous processing and clear logging, ensuring data integrity for your internal analysis.
$750 USD in 7 days
0.0
0.0

Necesitas un proceso trimestral reproducible que extraiga datos públicos, normalice millones de registros y guarde únicamente cambios verificables. En Marin Software desarrollé pipelines Python sobre AWS para ingestión, validación, procesamiento asíncrono y trazabilidad de datos en producción. Propongo Scrapy para concurrencia, con Requests y BeautifulSoup para fuentes simples y Selenium sólo donde exista renderizado obligatorio. Cada registro tendrá clave estable, hash de contenido, URL de origen y fecha de captura. Una tabla temporal comparará cada ejecución con el estado anterior para detectar altas, modificaciones y duplicados antes de guardar el diff en PostgreSQL o archivos CSV. Añadiré reintentos, límites por dominio, logs estructurados, validación de tipos y pruebas ante cambios del DOM. Para volúmenes de hasta 32M, usaría procesamiento por lotes y ejecución en ECS o una instancia dedicada; Lambda quedaría para tareas pequeñas o coordinación. ¿Cuántas fuentes existen y qué campos deben cruzarse entre esos registros?
$850 USD in 11 days
0.0
0.0

He desarrollado pipelines Python de scraping y normalización para catálogos públicos, con cargas incrementales en PostgreSQL y trazabilidad por registro. Para este proyecto, la clave es usar Scrapy con Requests asíncrono y una capa de transformación en Python, porque permite escalar fuentes paginadas sin depender de Selenium salvo casos imprescindibles. Implementaré extractores resistentes a cambios habituales del DOM, límites de tráfico, reintentos y logs legibles. Guardaré datos tipados, normalizados, con fecha de captura, hash de contenido y lógica de diff para que cada ejecución trimestral inserte sólo novedades o cambios. Entregaré CSV y esquema SQL, configuración por variables de entorno, despliegue programado y un notebook Jupyter de consumo. Validaré una primera corrida y su actualización incremental. Gracias, Kittipong
$1,250 USD in 10 days
0.0
0.0

Lima, Peru
Member since Sep 30, 2026
₹400-750 INR / hour
₹750-1250 INR / hour
$250-750 USD
$15-25 USD / hour
₹750-1250 INR / hour
$250-750 USD
₹600-1500 INR
₹400-750 INR / hour
$750-1500 USD / hour
₹750-1250 INR / hour
$15-25 USD / hour
$30-250 USD
$15-25 USD / hour
$250-750 USD
₹12500-37500 INR
$15-25 USD / hour
₹1500-12500 INR
₹75000-150000 INR
₹12500-37500 INR
£250-750 GBP