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

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...

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 d...

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...