Accéder au contenu principal

Minigrep

 

Minigrep permet d’obtenir le contexte du mot en affichant la ligne avant et après du mot recherché . 



On a décidé de créer cette entré, car nous avons rencontré quelques inconvénients pour le faire fonctionner

 correctement En effet, lorsqu'on faisait tourner notre script cette erreur s’affichait.


 Après avoir consulté M. Fleury.  Nous sommes parvenus à trouver une solution. Ci-dessous, un résumé 

des recommandations reçues. 


1. Pour que ce programme fonctionne bien dans cette configuration il faut installer une bibliothèque Perl 

utilisée et nécessaire pour ce script. c'est la bibliothèque Unicode::String,


Or cette bibliothèque n'était pas installée sur la machine d'où le message d'erreur que l'on voyait. Pour y 

remédier il faut l’installer. Pour ceux qui ont un Mac il faut se placer dans dans le terminal et taper la commande suivante :


     sudo cpan install Unicode::String


sudo : pour lancer cette commande en mode Administrateur : on  doit  donner le mot de passe

cpan : c'est le gestionnaire de bibliothèque Perl, à qui on demande d'installer une bibliothèque


Une autre précision à prendre en compte: : Pour l’utilisation de minigrep vérifiez bien que le nom des 

fichiers contenus dans le répertoire minigrip soit le même que vous écrivez sur le script. C’était bête mais 

nous avons passé du temps à retrouver cette pépite. Sur le script était indiqué motif.txt tandis que sur le 

dossier était écrit motif-2020-txt. 


C’est l'occasion pour parler des motifs. Pour que minigrep soit le plus “gourmand” possible et on ait accès

au maximum de contextes il est conseillé de bien l’exprimer en regex ( expressions régulières) 

Français : "[Ff]rench[\s][Kk]iss?"|[Ff]rench[\s][Kk]iss?

Espagnol : [Bb]eso[s][\s]con[\s][Ll]engua? | [Bb]eso[s][\s]de[\s][Ll]engua?

Turc : [Oo]pucugu?|[Ff]ransız? [Öö]pücüğü?

Anglais : [Ff]rench? [Kk]iss?|[Ff]ransiz?

Japonais :

Commentaires

Enregistrer un commentaire

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...
Enregistrer un commentaire
Lire la suite

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....
Enregistrer un commentaire
Lire la suite

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...
Enregistrer un commentaire
Lire la suite