Boite à outils

BAO1 Extraction du texte

Une boite à outils assez élégante

L'objectif de la première boîte à outils était donc l'extraction des contenus textuels des fils RSS de l'arborescence, soit les contenus des balises title et description. Il convenait également de choisir deux rubriques (par personne) pour pouvoir plus tard effectuer les extractions de patrons sur celles-ci.

Vous trouverez donc ici les scripts permettant cette extraction.

Ci-dessous les scripts perl permettant l'extraction des contenus textuels des balises title et description.

Méthode XML-RSS

RubriquesNombre d'itemsTemps d'exécution/s
320866958.936014
321072809.622029
321472609,096365
3224728010,970838
3232726010.602215
323472609.679651

Méthode Regex

RubriquesNombre d'itemsTemps d'exécution/s
320866955.45586
321072804.913089
321472604,210335
322472804,26996
323272604.520114
323472604.734289

Remarque: la méthode regexp est deux fois plus efficaces que la méthode XML-RSS

Ces scripts permettent la génération de deux sortie : une sortie TXT et une sortie XML. Nous avons extrait chaqun deux rubrique, vous trouverez les résultats ci-dessous.

Tristan: rubrique 3208 et 3210

Sortie XML-RSS rubrique 3208 (txt)

Sortie XML-RSS rubrique 3208 (xml)

Sortie XML-RSS rubrique 3210 (txt)

Sortie XML-RSS rubrique 3210 (xml)

Sortie regex rubrique 3208 (txt)

Sortie regex rubrique 3208 (xml)

Sortie regex rubrique 3210 (txt)

Sortie regex rubrique 3210 (xml)

Zhuang: rubrique 3214 et 3224

Sortie XML-RSS rubrique 3214 (txt)

Sortie XML-RSS rubrique 3214 (xml)

Sortie XML-RSS rubrique 3224 (txt)

Sortie XML-RSS rubrique 3224 (xml)

Sortie regex rubrique 3214 (txt)

Sortie regex rubrique 3214 (xml)

Sortie regex rubrique 3224 (txt)

Sortie regex rubrique 3224 (xml)

Qishen: rubrique 3232 et 3234

Sortie XML-RSS rubrique 3232 (txt)

Sortie XML-RSS rubrique 3232 (xml)

Sortie XML-RSS rubrique 3234 (txt)

Sortie XML-RSS rubrique 3234 (xml)

Sortie regex rubrique 3232 (txt)

Sortie regex rubrique 3232 (xml)

Sortie regex rubrique 3234 (txt)

Sortie regex rubrique 3234 (xml)