Accéder au contenu principal

Concaténation et nettoyage du corpus.

Concaténation et nettoyage du corpus. 

 

Cette partie de concaténation et nettoyage de corpus est clé car elle va alléger notre corpus pour pouvoir

l’analyser sur Itrameur. 

 

Pour ceux qui travaillent sur Windows, un programme pour concaténer est disponible sur icampus. 

Il suffit de télécharger  le Fichier + le programme concat et de les placer dans le même dossier. 

Double click  pour le lancer et cela concatène les fichiers existants dans ce répertoire.  

 

Si ce n’est pas Windows, comment faire? Sachant qu’il faut introduire une valise au début et à la fin 

de chaque fichier DUMP txt et CONTEXTES txt, nous avons appris en cours cette commande. 


for file in `ls utf8_1* | tr ' ' '\n' | less`; do echo "<partie=$file>" >> CORPUS_FR.txt ; cat $file >> CORPUS_FR.txt ; echo "</partie>" >> CORPUS_FR.txt ; done


En utilisant cette commande la concentration se fait facilement. Pensez à vous placer dans le 

répertoire DUMP avant de la lancer. Même procédure dans le répertoire CONTEXTES.



Nettoyage 

Après la concaténation, il faut penser au nettoyage du corpus.  Il faut que les valises existantes ne 

servent qu’à marquer la transition de chaque fichier. (début et fin de partie). Il est donc important de 

supprimer les valises ou chevrons issus des URLS. On peut le faire avec l’option rechercher et 

 remplacer de votre éditeur de texte. Mais, n'étant pas l’option la plus souhaitable, nous avons 

essayé de le faire avec les commandes bash  sed et tr


Après avoir parcouru notre corpus, on s’est vite aperçu qu’il fallait surtout supprimer les balises 

HTML, les menus, les liens vers d’autres sites, les liens réseaux sociaux, images et vidéos. 


Nous avons utilisé la commande tr -d. Celle- ci nous a permis d’effacer certains mots très fréquents

mais inutiles pour notre analyse. Voici quelques exemples : 


tr -d '(BUTTON)'

tr -d '(IFRAME)'

tr -d '(Facebook)'


Ensuite nous avons fait appel à la commande sed (gsed sur Mac).


  • gsed -r 's/^ *//g' < CORPUS.FR.txt : Supprimer les espaces et les tabulations au début de ligne :

  • gsed -r 's/^\*.*//g' < CORPUS.FR.txt : Supprime les lignes commençant par *, nous avons fait la même pour les symboles “+” et “ ०”


Vous visualisez les modifications faites par sed sur l’écran pour ne pas modifier le fichier, pensez à 

en créer un nouveau fichier si le résultat vous convient.  


Cela fonctionne bien mais en parcourant notre corpus on s’est rendu compte que certaines de lignes 

qui commencent par “*” comportent des  phrases avec le motif recherché.


Après ces quelques petites commandes il restait encore des morceaux de menus, des liens vers 

d’autres URLs, des liens des images, etc.. Nous avons donc décidé de terminer notre nettoyage 

à la main. Ce n’est pas remarquable, mais au moins nous avons pu mieux nettoyer le corpus. 


PS: Quand vous modifiez des fichiers il est recommandé de créer un fichier de backup au cas où. 

Commentaires

Posts les plus consultés de ce blog

Exclusivité : le cas du japonais

Pour le cas du japonais, rien n'a été de tout repos malheureusement. Beaucoup d'essais, énormément de raté, mais quelques solutions pour pallier aux différents problèmes !  Pour ce qui est de la récolte des urls japonais pour le mot French Kiss (フレンチキス) , a été appliqué la fameuse commande déjà utilisé pour la langue française, anglaise, espagnol et turc. Les mêmes commandes déjà énoncé dans ce blog lui ont été appliqué: Après tous les traitement, on se rend compte qu'il y a toujours beaucoup de "saletés", de bruits sur les urls. On commence par les trier à la main mais, il y a trop de contenu (plus de 300) alors, pour éviter de perdre du temps avec les problèmes d'apparitions des "binary files" etc, on relance une nouvelle récolte d'urls en étant encore plus précis. Le fichier urls de japonais se créer. On lance la commande du terminal pour avoir un tableau. Problème : message d'erreur: ...et aucun tableau à l'horizon. On essaye d'au...

Souci d'encodage MacOs - Lynx

Soucis encodage MacOs - Lynx  Nous faisons cette entrée pour laisser évidence d’un souci d'encodage qu’on a rencontré concernant la  commande lynx sur MacOs. En effet, nous avons remarqué dans certaines URLs aspirées qu' il y avait des rendus bizarres. Notamment pour les caractères diacrités et la c cédille (ç). Ci-dessous quelques  captures d'écran pour illustrer cette situation.      Au début, nous croyions à un souci d’encodage des URL. Nous avons donc bien ajouté dans notre script les deux boucles pour convertir les encodages reconnus avec la commande curl et detect encoding sans pour autant avoir une amélioration dans les rendus de nos pages aspirées.  Normalement, en lançant ce script, si le site n’est pas encodé en UTF-8 une erreur devrait s'afficher dans  le tableau qu’il génère au niveau de la colonne 1, mais aucune erreur ne s’affiche, au contraire il indique  que le site est bien encodé en  UTF-8....

Itrameur - Analyse textométrique.

  Itrameur Dans cette entrée nous partagerons nos commentaires sur la prise en main de l’outil Itrameur. Nous avons intégré le corpus et vérifié que la segmentation était bien définie par les balises du corpus. les  rectangles ne se croisent pas et toutes les parties semblent y être.  Après avoir importé le corpus dans le logiciel, nous nous sommes rendus compte que l’analyse était faite mot par mot et que dans notre cas (french kiss) on avait deux mots, voire trois en espagnol. Que  faire ? La solution a été de remplacer les occurrences des mots french kiss, French Kiss, “French Kiss” “french kiss” en un seul mot : french_kiss . Même traitement pour l’espagnol et le turc    beso_con_lengua , fransız_öpücüğü. cela  a bien fonctionné.  Dans un premier temps on s’est intéressés à l’indice de fréquence  du mot dans notre corpus. On  apprend qu’il y a 255 occurrences.  Ensuite on s’est intéressé aux cooccurrences du mot. Ce tableau nous...