Cette boîte à outils parcourt une arborescence de dossiers contenant les fichiers XML qui constituent notre corpus, ouvre ces fichiers et en extrait les titres et les descriptions à la fois en txt et en XML.
Les titres et descriptions des articles sont matchés grâce aux expressions régulières. Les résultats sont obtenus en un très faible temps de calcul (environ une seconde).
Ce script plus court que la version regex exécute la même tâche à la différence près que l'on n'utilise pas les expressions régulières mais la bibliothèque perl XML::RSS.
L'implémentation en python:
Fichiers pour l'année 2018:
Texte Brut: sortie-sport.txt
XML: sortie-sport.xml
Fichiers pour l'année 2018:
Texte Brut: sortie-sport.txt
XML: sortie-sport.xml