Étude GIEC

Étude pour l'INSU, à partir de ~14000 DOI présents dans le WOS. À rendre pour mi-octobre 2022.

Voir https://wos-dumps.conditor.inist.fr/ et les .ini qui y sont. Voir https://gitbucket.inist.fr/tdm/web-services/blob/master/biblio-tools/v1/wos/works/expand.ini.

Les DOI sont dans un .bib.

Décider sur quelle machine mettre ce dump.

WOS_API_KEY dans mon mail CNRS.

• concaténer titre et abstract pour teeft
• ajouter les reprint_addresses (affiliations)
• enrichissement service web base Pascal https://domains-classifier.services.inist.fr/v1/en/classify, doc

Workflow

graph TD
    A[(corpus_WoS_vol1-50.json)] --> B[[extract-fields.ini]]
    B --> C[(corpus-simple-50.json)]
    C --> D[[enrich-rnsr.ini]]
    D --> E[(corpus-simple-rnsr-50.json)]
    E --> F[[enrich-etab.ini]]
    F --> G[(corpus-simple-etab-50.json)]
    G --> H[[enrich-institutes.ini]]
    H --> I[(corpus-simple-instituts-50.json)]
    I --> J[[enrich-teeft.ini]]
    J --> K[(corpus-simple-teeft-en-50.json)]
    K --> L[[enrich-pascal.ini]]
    L --> M[(corpus-simple-pascal-50.json)]

Potentiels

• base du SAPPS (?): correspondance adresses WoS / unités du CNRS
• alignement adresse / expression régulière pour le marquage labo
• annotation de corpus avec un thésaurus (quel outil: XSLT ?)

DEBUG

Les items 25,26, 27, 29 ,30, 31, 32, 34, 35, 39, 41 ont un tableau dans le champ abstract, ce qui pose problème au web service. Il faut donc s'arranger pour n'envoyer qu'une chaîne.

Décisions

• 26/09/2022: ne pas récupérer instituts, ni enrichissement Pascal. Priorité: récupérer les notices pour tous les DOI (DOI originaux + manquants du chapitre 11)

Configuration ezMaster

Utiliser lodex-crontab@1.4+, avec cette configuration:

{
  "environnement": {
    "CRON_VERBOSE": true,
    "EZS_VERBOSE": false
  },
  "files" : {
    "zip": "https://gitbucket.inist.fr/parmentf/giec-wos/archive/master.zip"
  },
  "tasks": [
    {
      "CronRule": "0 1 * * *",
      "Target": "data/corpus-simple-pascal-50.json",
      "RunOnStartup": true
    }
  ]
}