Programme "harvestCorpus.pl"

harvestCorpus est un outil d’extraction de corpus ISTEX en ligne de commande. Il est écrit en Perl.

Il permet de décharger un corpus depuis la base ISTEX à partir d’une requête ou d’un fichier .corpus.

  • Avantages :
    • il permet de renommer les fichiers déchargés, de gérer l’arborescence des fichiers et de générer un fichier de notices bibliographiques, ainsi qu'un fichier .corpus (contenant la liste des identifiants du corpus).
    • il permet également de traiter une requête de grande taille (9 000 caractères).
    • il est associé à l'outil statsCorpus.pl, un programme de réalisation de statistiques sur le corpus, dont le fichier de sortie est notamment utilisée dans Lodex, outil de publication dans des formats du web sémantique et d'exposition de jeux de données sur le web.
    • comme ce programme extrait d'abord la liste des identifiants des documents pertinents avant de décharger les fichiers correspondants, il ne devrait pas être affecté par les limitations de la pagination de type scroll. Donc, même si la connexion Internet a un faible débit, l'extraction devrait se dérouler sans problème.
    • il gère l'authentification au serveur en dehors du réseau interne de l'Inist.
    • il vérifie le type des fichiers déchargés, signale les problèmes d'authentification et relance le déchargement des fichiers concernés en cas d’interruption intempestive (pour plus de détails, voir la rubrique Détecter les problèmes d'authentification dans le chapitre "Vérification et mise en forme des résultats").
  • Inconvénients :
    • il s'utilise en ligne de commande à partir d'un terminal. Sous Windows, cela peut se faire avec Cygwin (Git Bash ne convient pas).
    • Il existe des solutions alternatives sous Windows avec Strawberry Perl ou ActivePerl, mais elles n'ont pas été testées pour l'instant.
  • Installations :
git clone https://github.com/istex/harvest-corpus.git
  • Exemples : pour récupérer les fichiers PDF et TEI à partir d'une requête et les placer dans le répertoire Data/Fichiers tout en générant un fichier de notices bibliographiques oiseaux.txt et un fichier d'identifiants oiseaux.corpus :
harvestCorpus.pl -q '/birds?/ OR (avian NOT flu)' -t pdf,tei -d Data/Fichiers -s oiseaux.corpus -n oiseaux.txt -p Oiseau_ -v

Tous les fichiers PDF et TEI seront renommés en Oiseaux_0nnn.pdf et Oiseaux_0nnn.tei. La chaîne de caractères « 0nnn » représente un nombre séquentiel avec autant de chiffres que nécessaire.

Le format des fichiers d’identifiants, comme oiseaux.corpus, ou de notices bibliographiques, comme oiseaux.txt, est explicité sur GitHub.

L'option -v permet de conserver toutes le métadonnées envoyées par l'API. Elles sont placées dans le fichier logRequete.txt dans le répertoire Data/Fichiers.

  • Astuces :

    • la liste complète des options, avec leur description, est à consulter sur GitHub.
    • authentification : le téléchargement de fichiers en texte intégral suppose une authentification, soit implicite par adresse IP, soit explicite par identification à la fédération d'identité de Renater. Dans ce deuxième cas, il faut obtenir un jeton d'identification et l’ajouter à la ligne de commande avec l’option -j.
    • tirage aléatoire : dans le cas où le résultat d’une requête donne un nombre de documents très élevé, il est possible d’en limiter le nombre avec l’option -l et d’avoir ces documents soit dans l’ordre défini par le moteur de recherche, soit dans un ordre aléatoire en rajoutant l’option -r (mais dans ce cas, on est limité à 10 000 documents). Ainsi, pour créer un échantillon de 1 000 documents PDF provenant de l’éditeur Elsevier à télécharger dans le répertoire Elsevier avec le préfixe els, on peut écrire :
    harvestCorpus.pl -q corpusName:elsevier -t pdf -d Elsevier -p els -l 1000 -r
    
    • l'intérêt des fichiers .corpus est de permettre de documenter et de référencer le corpus réalisé. Il permet aussi de refaire le même corpus ou de le compléter avec d'autres fichiers. Par exemple, pour décharger les métadonnées du corpus obtenu précédemment et placer les fichiers correspondants dans le répertoire Data/Metadata, il suffit de lancer :
    harvestCorpus.pl -c oiseaux.corpus -m all -d Data/Metadata
    

Les fichiers au format MODS ou XML dans le répertoire Data/Metadata auront le même préfixe que les fichiers PDF et TEI correspondants dans le répertoire Data/Fichiers.

results matching ""

    No results matching ""