Scraping y base de datos inmobiliaria

Contexto

El proyecto comenzó como un ejercicio práctico para aprender Python y terminó convirtiéndose en una base SQLite con más de 30.000 registros del mercado inmobiliario, con publicaciones de 2024 y 2026.

Además de extraer datos, hizo falta pensar en repetición de tareas, limpieza de resultados y una estructura suficientemente consistente para analizar después.

Mi aporte

• Desarrollé el script principal, la lógica de navegación por páginas y la extracción de campos relevantes.
• Fui mejorando el código con una organización más prolija, incorporando nociones de programación orientada a objetos y separación de responsabilidades.
• Preparé los datos para que sirvieran como insumo de análisis y no solo como una descarga puntual.
• Sumé un panel en Streamlit para explorar el mercado por zona, comparar períodos y detectar publicaciones con precios por m² fuera de lo común.

Apoyo de IA

• La IA me sirvió como apoyo para contrastar ideas de refactor, revisar errores puntuales y acelerar el aprendizaje sobre librerías y patrones.
• El trabajo central siguió estando en definir qué extraer, cómo limpiar los datos y cómo sostener el script en el tiempo.

Resultados y valor

• Me dio una base real para practicar análisis de datos sobre oferta, precios y variaciones del mercado.
• También fue un punto de entrada fuerte a HTML, CSS y JavaScript desde la mirada del scraping.