Le programme Perl disponible ici s'exécute depuis le terminal avec la commande suivante:
perl MonProg.pl Dossier_contenant_les_fils_RSS Numéro_de_la_rubrique_que_l'on_veut_traiter
Le programme sert à parcourir toute l'arborescence des fils RSS pour créer en sortie 4 fichiers tampons (où on trouve un titre et une description) et 2 fichiers sur lesquels on travaillera:
- un fichier .txt contenant les contenus textuels des titres et descriptions de tous les articles de la rubrique (le même que celui de la BAO1)
- un fichier .xml contenant les contenus textuels des titres et descriptions de tous les articles de la rubrique étiquetés morphosyntaxiquement
L'étiquetage se fait grace à la subroutine "étiquetage" qui déclenche le traitement de Treetagger sur les fils RSS de la rubrique choisie.
Dans le fichier de sortie, tout élément comprendra 3 balises "data":
- une avec le type grammatical de la string
- une avec le lemma de la string
- une avec la string repérée dans le fichier .txt
Voici un aperçu du document .xml étiqueté:
Pour ce qui concerne la sortie .txt, il faudra charger le fichier dans Cordial et effectuer l'étiquetage du texte.
ATTENTION! pour être soumis au traitement de Cordial, un fichier doit être encodé en ISO et avoir le retour à la ligne de Windows!
Une fois l'élaboration terminée, Cordial produira en sortie un fichier .cnr à 3 colonnes:
- la première affichera la string repérée dans le fichier .txt
- la deuxième affichera le lemma de la string
- la troisème affichera le type grammatical de la string
Voici un aperçu du document .cnr étiqueté:
