Projet encadré

La première étape du Projet encadré consiste à extraire les informations à partir de l'arborescence des fils RSS du journal "Le Monde" de l'années 2013 collectés tous les jours à 19h (corpus 2013). Ils sont au format xml et txt. Pour l'extraction on ne va s'intéresser qu'aux fichiers au format xml car l'extraction va se faire grâce aux balises <title> et <description> (les informations qui nous intéressent). La bibliothèque XML::RSS de Perl va me permettre de réaliser cette tâche pour obtenir à la fin un fichier xml avec le titre et la description de tous les fils RSS pour chaque rubrique (A la une, Internationnal, Politique...). On peut aussi réaliser cette tâche en utilisant des expression régulières on produira en sortie des fichiers aux format txt avec les titres et descriptions. Tous les fichiers seront encodé en utf-8.
Pour réaliser cette extraction nos enseignants nous ont fourni un programme de parcours d'arborescence sommaire que nous avons amélioré pour réaliser l'extraction. Vous pouvez trouver le script de parcours de départ ==> ici

Le principe de la procédure de parcours est que étant donné des fichiers rangés dans plusieurs dossiers classés par mois si le programme tombe sur un répertoire il continue le parcours de l'arborescence si c'est un fichier il le traite et tout ça de manière récursive jusqu'à ce qu'il est parcouru toute l'arborescence.

L'extraction avec la bibliothèque XML::RSS des informations prend en compte qu'il s'agit de fichiers XML et par conséquent leur structuration. On créé un tableau associatif qui contient des références vers d'autres références. Une boucle foreach va chercher tous les nœuds sous la balise <items> et pour chaque <item> on va extraire le contenu <title> et <description>.

A NOTER: Pour le parcours de l'arborescence j'ai utilisé un tableau associatif avec pour clés et valeurs des titres de rubriques et les identifiants numériques des fils RSS grâce à cette méthode on peut cibler les rubriques que l'on veut récupérer.