Outil de statistiques descriptives sur les corpus ISTEX extraits par harvestCorpus.pl
Permet de faire des statistiques sur les fichiers extraits d’ISTEX en utilisant le fichier de métadonnées logRequete.txt
(cf. l’option -v
du programme harvestCorpus.pl
) ou les fichiers de métadonnées JSON correspondants aux documents extraits.
Si les fichiers XML éditeurs ont été extraits, il permet aussi de vérifier s’ils ont ou non les documents sous forme de texte structuré.
Le résultat comprend, en plus de l’en-tête, une ligne par document avec des champs séparés par des tabulations (format TSV).
statsCorpus.pl -l logfile -c fichier.corpus [ -r répertoireXML ] [ -s sortie ] statsCorpus.pl -m répertoireJSON [ -r répertoireXML ] [ -s sortie ] statsCorpus.pl -h
-l indique le nom du fichier “logfile” contenant les métadonnées ISTEX au format JSON créé par l’option “-v” du programme “harvestCorpus.pl”. Par défaut, ce fichier s’appelle “logRequete.txt” et se trouve dans le répertoire des fichiers déchargés depuis le serveur ISTEX. -c indique le nom du fichier “.corpus” généré par le programme “harvestCorpus.pl” permettant de faire le lien entre l’identifiant ISTEX d’un document et le nom des fichiers extraits correspondants. -h affiche l’aide. -m indique le répertoire où se trouve les fichiers de métadonnées au format JSON déchargés par le programme “harvestCorpus.pl”. -r indique le répertoire où se trouve les fichiers XML éditeurs obtenus à partir des fichiers ZIP déchargés par le programme “harvestCorpus.pl”. Si les fichiers XML sont dans le même répertoire que les fichiers JSON, l’option “-m” seule suffit. -s indique le nom du fichier de sortie. Sinon, la sortie se fait sur la sortie standard.
statsCorpus.pl -l Arthropodes/logRequete.txt -c Arthropodes_v2b.corpus -r Arthropodes statsCorpus.pl -m Vieillissement -r Vieillissement -s Vieil.tsv statsCorpus.pl -m Vieillissement -s Vieil.tsv (identique au précédent)
Pour l’instant, on a 18 champs :