update
This commit is contained in:
2
.gitignore
vendored
2
.gitignore
vendored
@@ -38,6 +38,8 @@ Sikkom/sikkom
|
|||||||
Tzum/metadata
|
Tzum/metadata
|
||||||
Tzum/tzum
|
Tzum/tzum
|
||||||
Tzum/xml2txt
|
Tzum/xml2txt
|
||||||
|
Volkskrant/metadata
|
||||||
|
Volkskrant/volkskrant
|
||||||
VRT/metadata
|
VRT/metadata
|
||||||
VRT/vrt
|
VRT/vrt
|
||||||
bin/data2json
|
bin/data2json
|
||||||
|
|||||||
1
Makefile
1
Makefile
@@ -16,6 +16,7 @@ all:
|
|||||||
make -C Sargasso
|
make -C Sargasso
|
||||||
make -C Sikkom
|
make -C Sikkom
|
||||||
make -C Tzum
|
make -C Tzum
|
||||||
|
make -C Volkskrant
|
||||||
make -C VRT
|
make -C VRT
|
||||||
make bin/data2json
|
make bin/data2json
|
||||||
make bin/dates2json
|
make bin/dates2json
|
||||||
|
|||||||
@@ -280,6 +280,7 @@ func doArticle(filename string, url string, title string, timestamp time.Time, n
|
|||||||
}
|
}
|
||||||
header := headers[0]
|
header := headers[0]
|
||||||
|
|
||||||
|
isVideo := false
|
||||||
tags := make([]string, 0)
|
tags := make([]string, 0)
|
||||||
ell, err := header.Search(`.//*[@data-test-id="article-label"]`)
|
ell, err := header.Search(`.//*[@data-test-id="article-label"]`)
|
||||||
p(err)
|
p(err)
|
||||||
@@ -291,6 +292,9 @@ func doArticle(filename string, url string, title string, timestamp time.Time, n
|
|||||||
if s != "" && s != "Nieuws" {
|
if s != "" && s != "Nieuws" {
|
||||||
tags = append(tags, s)
|
tags = append(tags, s)
|
||||||
}
|
}
|
||||||
|
if strings.ToLower(s) == "video" {
|
||||||
|
isVideo = true
|
||||||
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
pars := make([]string, 0)
|
pars := make([]string, 0)
|
||||||
@@ -344,7 +348,9 @@ func doArticle(filename string, url string, title string, timestamp time.Time, n
|
|||||||
}
|
}
|
||||||
}
|
}
|
||||||
if !found {
|
if !found {
|
||||||
_ = w(fmt.Errorf("no text, skipping: %s", url))
|
if !isVideo {
|
||||||
|
_ = w(fmt.Errorf("no text, skipping: %s", url))
|
||||||
|
}
|
||||||
fp, err := os.Create(filename + ".skip")
|
fp, err := os.Create(filename + ".skip")
|
||||||
p(fp.WriteString(url + "\n"))
|
p(fp.WriteString(url + "\n"))
|
||||||
p(err)
|
p(err)
|
||||||
|
|||||||
@@ -37,6 +37,7 @@ crontab van p209327@colossus
|
|||||||
17 * * * * /net/corpora/nlnieuws/Sikkom/sikkom
|
17 * * * * /net/corpora/nlnieuws/Sikkom/sikkom
|
||||||
18 * * * * /net/corpora/nlnieuws/Tzum/tzum
|
18 * * * * /net/corpora/nlnieuws/Tzum/tzum
|
||||||
19 * * * * /net/corpora/nlnieuws/VRT/vrt
|
19 * * * * /net/corpora/nlnieuws/VRT/vrt
|
||||||
|
20 * * * * /net/corpora/nlnieuws/Volkskrant/volkskrant
|
||||||
```
|
```
|
||||||
|
|
||||||
## 2. Teksten verwerken: omzetten naar zinnen, parsen, metadata toevoegen
|
## 2. Teksten verwerken: omzetten naar zinnen, parsen, metadata toevoegen
|
||||||
@@ -53,6 +54,7 @@ crontab van p209327@colossus
|
|||||||
0 1 * * * /net/corpora/nlnieuws/NU/txt2corpus.sh
|
0 1 * * * /net/corpora/nlnieuws/NU/txt2corpus.sh
|
||||||
0 1 * * * /net/corpora/nlnieuws/NieuwsNL/txt2corpus.sh
|
0 1 * * * /net/corpora/nlnieuws/NieuwsNL/txt2corpus.sh
|
||||||
0 1 * * * /net/corpora/nlnieuws/VRT/txt2corpus.sh
|
0 1 * * * /net/corpora/nlnieuws/VRT/txt2corpus.sh
|
||||||
|
0 1 * * * /net/corpora/nlnieuws/Volkskrant/txt2corpus.sh
|
||||||
# weinig data: alleen op dinsdag
|
# weinig data: alleen op dinsdag
|
||||||
0 1 * * 2 /net/corpora/nlnieuws/AT5/txt2corpus.sh
|
0 1 * * 2 /net/corpora/nlnieuws/AT5/txt2corpus.sh
|
||||||
0 1 * * 2 /net/corpora/nlnieuws/BuurtAdam/txt2corpus.sh
|
0 1 * * 2 /net/corpora/nlnieuws/BuurtAdam/txt2corpus.sh
|
||||||
|
|||||||
@@ -24,8 +24,6 @@ var (
|
|||||||
x = e.ExitErr
|
x = e.ExitErr
|
||||||
|
|
||||||
reYearWeek = regexp.MustCompile(`^2[0-9][0-9][0-9]\.[0-5][0-9]$`)
|
reYearWeek = regexp.MustCompile(`^2[0-9][0-9][0-9]\.[0-5][0-9]$`)
|
||||||
reEM = regexp.MustCompile(`::EM::.*?::/EM::`)
|
|
||||||
reTitle = regexp.MustCompile(`^\p{Lu}`)
|
|
||||||
)
|
)
|
||||||
|
|
||||||
func main() {
|
func main() {
|
||||||
@@ -68,7 +66,7 @@ func main() {
|
|||||||
x(fmt.Fprintf(fp, "##META text tag = %s\n", t))
|
x(fmt.Fprintf(fp, "##META text tag = %s\n", t))
|
||||||
}
|
}
|
||||||
x(fp.WriteString(u.AddEnd(u.FixSpace(item.Title))))
|
x(fp.WriteString(u.AddEnd(u.FixSpace(item.Title))))
|
||||||
doc, err := gokogiri.ParseHtml([]byte(`<html><body>` + em1(u.HtmlFixString(item.Text)) + `</body></html>`))
|
doc, err := gokogiri.ParseHtml([]byte(`<html><body>` + u.HtmlFixString(item.Text) + `</body></html>`))
|
||||||
x(err)
|
x(err)
|
||||||
root := doc.Root()
|
root := doc.Root()
|
||||||
pp, err := root.Search(`//body/p`)
|
pp, err := root.Search(`//body/p`)
|
||||||
@@ -76,26 +74,9 @@ func main() {
|
|||||||
for _, p := range pp {
|
for _, p := range pp {
|
||||||
s := p.Content()
|
s := p.Content()
|
||||||
if !strings.Contains(s, "verscheen eerst op Tzum.") {
|
if !strings.Contains(s, "verscheen eerst op Tzum.") {
|
||||||
x(fp.WriteString(em2(u.AddEnd(u.FixSpace(p.Content())))))
|
x(fp.WriteString(u.AddEnd(u.FixSpace(p.Content()))))
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
x(fp.Close())
|
x(fp.Close())
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
func em1(s string) string {
|
|
||||||
return strings.ReplaceAll(
|
|
||||||
strings.ReplaceAll(s, "<em>", " ::EM::"),
|
|
||||||
"</em>",
|
|
||||||
"::/EM:: ")
|
|
||||||
}
|
|
||||||
|
|
||||||
func em2(s string) string {
|
|
||||||
return reEM.ReplaceAllStringFunc(s, func(s1 string) string {
|
|
||||||
s1 = s1[6 : len(s1)-7]
|
|
||||||
if reTitle.MatchString(s1) {
|
|
||||||
return `"` + s1 + `"`
|
|
||||||
}
|
|
||||||
return s1
|
|
||||||
})
|
|
||||||
}
|
|
||||||
|
|||||||
9
Volkskrant/Makefile
Normal file
9
Volkskrant/Makefile
Normal file
@@ -0,0 +1,9 @@
|
|||||||
|
all: \
|
||||||
|
metadata \
|
||||||
|
volkskrant
|
||||||
|
|
||||||
|
metadata: cmd/metadata/*.go
|
||||||
|
go build -o $@ $^
|
||||||
|
|
||||||
|
volkskrant: cmd/volkskrant/*.go ../internal/util/*.go
|
||||||
|
go build -o $@ $<
|
||||||
131
Volkskrant/cmd/metadata/metadata.go
Normal file
131
Volkskrant/cmd/metadata/metadata.go
Normal file
@@ -0,0 +1,131 @@
|
|||||||
|
package main
|
||||||
|
|
||||||
|
import (
|
||||||
|
e "codeberg.org/pebbe/errors"
|
||||||
|
|
||||||
|
"bufio"
|
||||||
|
"encoding/xml"
|
||||||
|
"fmt"
|
||||||
|
"html"
|
||||||
|
"os"
|
||||||
|
"strings"
|
||||||
|
"time"
|
||||||
|
)
|
||||||
|
|
||||||
|
type Item struct {
|
||||||
|
XMLName xml.Name `xml:"item"`
|
||||||
|
UnixTime int64 `xml:"unixTime"`
|
||||||
|
}
|
||||||
|
|
||||||
|
var (
|
||||||
|
x = e.ExitErr
|
||||||
|
escape = html.EscapeString
|
||||||
|
data = make(map[string][]string)
|
||||||
|
location *time.Location
|
||||||
|
)
|
||||||
|
|
||||||
|
func main() {
|
||||||
|
var err error
|
||||||
|
location, err = time.LoadLocation("Europe/Amsterdam")
|
||||||
|
x(err)
|
||||||
|
|
||||||
|
files, err := os.ReadDir(".")
|
||||||
|
x(err)
|
||||||
|
for _, file := range files {
|
||||||
|
filename := file.Name()
|
||||||
|
if strings.HasSuffix(filename, ".txt") {
|
||||||
|
doText("", filename)
|
||||||
|
} else if strings.HasSuffix(filename, ".xml") {
|
||||||
|
doXml("", filename)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
files, err = os.ReadDir("..")
|
||||||
|
x(err)
|
||||||
|
for _, file := range files {
|
||||||
|
filename := file.Name()
|
||||||
|
if strings.HasSuffix(filename, ".txt") {
|
||||||
|
doText("../", filename)
|
||||||
|
} else if strings.HasSuffix(filename, ".xml") {
|
||||||
|
doXml("../", filename)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
files, err = os.ReadDir("xml")
|
||||||
|
x(err)
|
||||||
|
for _, file := range files {
|
||||||
|
filename := file.Name()
|
||||||
|
if !strings.HasSuffix(filename, ".xml") {
|
||||||
|
continue
|
||||||
|
}
|
||||||
|
aa := strings.Split(filename, ".")
|
||||||
|
base := strings.Join(aa[1:len(aa)-2], ".")
|
||||||
|
b, err := os.ReadFile("xml/" + filename)
|
||||||
|
x(err)
|
||||||
|
s := string(b)
|
||||||
|
i := strings.Index(s, "<alpino") + 1
|
||||||
|
i += strings.Index(s[i:], "<")
|
||||||
|
fp, err := os.Create("xml/" + filename + ".tmp")
|
||||||
|
x(err)
|
||||||
|
x(fp.WriteString(s[:i]))
|
||||||
|
x(fp.WriteString("<metadata>\n <meta type=\"text\" name=\"source\" value=\"Volkskrant\"/>\n"))
|
||||||
|
for _, m := range data[base] {
|
||||||
|
x(fp.WriteString(" " + m + "\n"))
|
||||||
|
}
|
||||||
|
x(fp.WriteString(" </metadata>\n "))
|
||||||
|
x(fp.WriteString(stripMeta(s[i:])))
|
||||||
|
x(fp.Close())
|
||||||
|
x(os.Rename("xml/"+filename+".tmp", "xml/"+filename))
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func doText(dirname, filename string) {
|
||||||
|
base := filename[:len(filename)-4]
|
||||||
|
if _, ok := data[base]; !ok {
|
||||||
|
data[base] = make([]string, 0)
|
||||||
|
}
|
||||||
|
fp, err := os.Open(dirname + filename)
|
||||||
|
x(err)
|
||||||
|
defer func() { x(fp.Close()) }()
|
||||||
|
scanner := bufio.NewScanner(fp)
|
||||||
|
for scanner.Scan() {
|
||||||
|
line := scanner.Text()
|
||||||
|
if !strings.HasPrefix(line, "##META") {
|
||||||
|
continue
|
||||||
|
}
|
||||||
|
aa := strings.Fields(line)
|
||||||
|
if len(aa) > 4 {
|
||||||
|
data[base] = append(data[base],
|
||||||
|
fmt.Sprintf(`<meta type="%s" name="%s" value="%s"/>`,
|
||||||
|
aa[1],
|
||||||
|
escape(aa[2]),
|
||||||
|
escape(strings.Join(aa[4:], " "))))
|
||||||
|
}
|
||||||
|
}
|
||||||
|
x(scanner.Err())
|
||||||
|
}
|
||||||
|
|
||||||
|
func doXml(dirname, filename string) {
|
||||||
|
base := filename[:len(filename)-4]
|
||||||
|
if _, ok := data[base]; !ok {
|
||||||
|
data[base] = make([]string, 0)
|
||||||
|
}
|
||||||
|
b, err := os.ReadFile(dirname + filename)
|
||||||
|
x(err)
|
||||||
|
var item Item
|
||||||
|
x(xml.Unmarshal(b, &item))
|
||||||
|
t := time.Unix(item.UnixTime, 0).In(location)
|
||||||
|
data[base] = append(data[base],
|
||||||
|
fmt.Sprintf(`<meta type="date" name="pubdate" value="%d-%02d-%02d"/>`,
|
||||||
|
t.Year(),
|
||||||
|
int(t.Month()),
|
||||||
|
t.Day()))
|
||||||
|
}
|
||||||
|
|
||||||
|
func stripMeta(s string) string {
|
||||||
|
i1 := strings.Index(s, "<metadata>")
|
||||||
|
if i1 < 0 {
|
||||||
|
return s
|
||||||
|
}
|
||||||
|
i2 := i1 + strings.Index(s[i1:], "</metadata>") + 11
|
||||||
|
return s[:i1] + strings.TrimLeft(s[i2:], " \t\r\n")
|
||||||
|
}
|
||||||
387
Volkskrant/cmd/volkskrant/volkskrant.go
Normal file
387
Volkskrant/cmd/volkskrant/volkskrant.go
Normal file
@@ -0,0 +1,387 @@
|
|||||||
|
package main
|
||||||
|
|
||||||
|
import (
|
||||||
|
e "codeberg.org/pebbe/errors"
|
||||||
|
"github.com/jbowtie/gokogiri"
|
||||||
|
|
||||||
|
u "git.web.rug.nl/p209327/nlnieuws/internal/util"
|
||||||
|
|
||||||
|
//"encoding/json"
|
||||||
|
"encoding/xml"
|
||||||
|
"fmt"
|
||||||
|
//"html"
|
||||||
|
"io"
|
||||||
|
"net/http"
|
||||||
|
"net/url"
|
||||||
|
"os"
|
||||||
|
"strings"
|
||||||
|
"time"
|
||||||
|
)
|
||||||
|
|
||||||
|
type Rss struct {
|
||||||
|
XMLName xml.Name `xml:"rss"`
|
||||||
|
Items []ItemT `xml:"channel>item"`
|
||||||
|
}
|
||||||
|
|
||||||
|
type ItemT struct {
|
||||||
|
PubDate string `xml:"pubDate"`
|
||||||
|
UnixTime int64 `xml:"unixTime"`
|
||||||
|
Guid string `xml:"guid"`
|
||||||
|
Link string `xml:"link"`
|
||||||
|
Title string `xml:"title"`
|
||||||
|
Data []byte `xml:",innerxml"`
|
||||||
|
}
|
||||||
|
|
||||||
|
/*
|
||||||
|
type GraphT struct {
|
||||||
|
Graph []map[string]any `json:"@graph"`
|
||||||
|
}
|
||||||
|
*/
|
||||||
|
|
||||||
|
var (
|
||||||
|
p = e.PanicErr
|
||||||
|
w = e.WarnErr
|
||||||
|
agent = "AhrefsBot/7.0"
|
||||||
|
)
|
||||||
|
|
||||||
|
func exists(filename string) bool {
|
||||||
|
_, err := os.Stat(filename)
|
||||||
|
return err == nil
|
||||||
|
}
|
||||||
|
|
||||||
|
func fileDate(filename string) string {
|
||||||
|
b, err := os.ReadFile(filename)
|
||||||
|
if err != nil {
|
||||||
|
return ""
|
||||||
|
}
|
||||||
|
s := string(b)
|
||||||
|
i1 := strings.Index(s, "<unixTime>") + 10
|
||||||
|
i2 := strings.Index(s, "</unixTime>")
|
||||||
|
if i2 < i1 {
|
||||||
|
return ""
|
||||||
|
}
|
||||||
|
return s[i1:i2]
|
||||||
|
}
|
||||||
|
|
||||||
|
func main() {
|
||||||
|
defer func() {
|
||||||
|
if e.Panicked {
|
||||||
|
_ = recover()
|
||||||
|
os.Exit(1)
|
||||||
|
}
|
||||||
|
}()
|
||||||
|
|
||||||
|
myLock := "/net/corpora/nlnieuws/Volkskrant/lock"
|
||||||
|
u.MkLock(myLock)
|
||||||
|
defer func() {
|
||||||
|
_ = os.Remove(myLock)
|
||||||
|
}()
|
||||||
|
|
||||||
|
req, err := http.NewRequest("GET", "https://www.volkskrant.nl/rss.xml", nil)
|
||||||
|
p(err)
|
||||||
|
req.Header.Set("User-Agent", agent)
|
||||||
|
|
||||||
|
client := &http.Client{}
|
||||||
|
resp, err := client.Do(req)
|
||||||
|
p(err)
|
||||||
|
body, err := io.ReadAll(resp.Body)
|
||||||
|
p(err)
|
||||||
|
p(resp.Body.Close())
|
||||||
|
|
||||||
|
var rss Rss
|
||||||
|
p(xml.Unmarshal(body, &rss))
|
||||||
|
|
||||||
|
if len(rss.Items) == 0 {
|
||||||
|
p(fmt.Errorf("len(rss.Items) == 0"))
|
||||||
|
}
|
||||||
|
|
||||||
|
for _, item := range rss.Items {
|
||||||
|
t, err := time.Parse(time.RFC1123Z, item.PubDate)
|
||||||
|
if err != nil {
|
||||||
|
t, err = time.Parse(time.RFC1123, item.PubDate)
|
||||||
|
}
|
||||||
|
p(err)
|
||||||
|
dirname := fmt.Sprintf("/net/corpora/nlnieuws/Volkskrant/%d/%02d/%02d", t.Year(), int(t.Month()), t.Day())
|
||||||
|
if exists(dirname + "/lock") {
|
||||||
|
continue
|
||||||
|
}
|
||||||
|
basename := item.Guid
|
||||||
|
filename := dirname + "/" + url.PathEscape(basename)
|
||||||
|
|
||||||
|
ts := fmt.Sprintf("%d", t.Unix())
|
||||||
|
needUpdate := fileDate(filename+".xml") != ts
|
||||||
|
|
||||||
|
p(os.MkdirAll(dirname, 0777))
|
||||||
|
func() {
|
||||||
|
var ok bool
|
||||||
|
defer func() {
|
||||||
|
if e.Panicked {
|
||||||
|
fmt.Fprintln(os.Stderr, "----", filename)
|
||||||
|
fmt.Fprintln(os.Stderr, "----", item.Link)
|
||||||
|
}
|
||||||
|
if !ok {
|
||||||
|
_ = os.Remove(filename + ".xml")
|
||||||
|
}
|
||||||
|
}()
|
||||||
|
fp, err := os.Create(filename + ".xml")
|
||||||
|
p(err)
|
||||||
|
p(fp.WriteString("<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n<item>\n"))
|
||||||
|
p(fmt.Fprintf(fp, "<unixTime>%d</unixTime>", t.Unix()))
|
||||||
|
p(fp.Write(item.Data))
|
||||||
|
p(fp.WriteString("</item>\n"))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".xml", t, t))
|
||||||
|
ok = doArticle(filename, item.Link, item.Title, t, needUpdate)
|
||||||
|
}()
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func doArticle(filename string, url string, title string, timestamp time.Time, needUpdate bool) (ok bool) {
|
||||||
|
if exists(filename + ".skip") {
|
||||||
|
return true
|
||||||
|
}
|
||||||
|
if needUpdate {
|
||||||
|
_ = os.Remove(filename + ".err")
|
||||||
|
_ = os.Remove(filename + ".html")
|
||||||
|
// _ = os.Remove(filename + ".json")
|
||||||
|
_ = os.Remove(filename + ".txt")
|
||||||
|
} else {
|
||||||
|
if exists(filename + ".txt") {
|
||||||
|
return true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
time.Sleep(2 * time.Second)
|
||||||
|
|
||||||
|
req, err := http.NewRequest("GET", url, nil)
|
||||||
|
p(err)
|
||||||
|
req.Header.Set("User-Agent", agent)
|
||||||
|
|
||||||
|
client := &http.Client{}
|
||||||
|
resp, err := client.Do(req)
|
||||||
|
p(err)
|
||||||
|
body, err := io.ReadAll(resp.Body)
|
||||||
|
p(err)
|
||||||
|
p(resp.Body.Close())
|
||||||
|
|
||||||
|
body = u.HtmlFix(body)
|
||||||
|
|
||||||
|
doc, err := gokogiri.ParseHtml(body)
|
||||||
|
p(err)
|
||||||
|
|
||||||
|
/*
|
||||||
|
|
||||||
|
s := string(body)
|
||||||
|
|
||||||
|
ok = true
|
||||||
|
i1 := strings.Index(s, `<script type="application/ld+json"`)
|
||||||
|
if i1 < 0 {
|
||||||
|
ok = false
|
||||||
|
} else {
|
||||||
|
i1 += strings.Index(s[i1:], `>`) + 1
|
||||||
|
i2 := i1 + strings.Index(s[i1:], `</script>`)
|
||||||
|
if i2 < i1 {
|
||||||
|
ok = false
|
||||||
|
} else {
|
||||||
|
s = html.UnescapeString(s[i1:i2])
|
||||||
|
}
|
||||||
|
}
|
||||||
|
if !ok {
|
||||||
|
_ = w(fmt.Errorf("script jsonld not found: %s", url))
|
||||||
|
|
||||||
|
fp, err := os.Create(filename + ".err")
|
||||||
|
p(err)
|
||||||
|
p(fmt.Fprintf(fp, "script jsonld not found: %s\n", url))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".err", timestamp, timestamp))
|
||||||
|
|
||||||
|
fp, err = os.Create(filename + ".html")
|
||||||
|
p(err)
|
||||||
|
p(fp.Write(body))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".html", timestamp, timestamp))
|
||||||
|
|
||||||
|
return false
|
||||||
|
}
|
||||||
|
|
||||||
|
var graph GraphT
|
||||||
|
p(json.Unmarshal([]byte(s), &graph))
|
||||||
|
for _, g := range graph.Graph {
|
||||||
|
t := g["@type"]
|
||||||
|
switch v := t.(type) {
|
||||||
|
case string:
|
||||||
|
if v == "NewsArticle" {
|
||||||
|
b, err := json.Marshal(g)
|
||||||
|
p(err)
|
||||||
|
s = string(b)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fp, err := os.Create(filename + ".json")
|
||||||
|
p(err)
|
||||||
|
p(fp.WriteString(s))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".json", timestamp, timestamp))
|
||||||
|
*/
|
||||||
|
|
||||||
|
root := doc.Root()
|
||||||
|
|
||||||
|
articles, err := root.Search(`//article[@id="article-content"]`)
|
||||||
|
p(err)
|
||||||
|
if len(articles) == 0 {
|
||||||
|
_ = w(fmt.Errorf("empty: %s", url))
|
||||||
|
|
||||||
|
fp, err := os.Create(filename + ".err")
|
||||||
|
p(err)
|
||||||
|
p(fmt.Fprintf(fp, "empty: %s\n", url))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".err", timestamp, timestamp))
|
||||||
|
|
||||||
|
fp, err = os.Create(filename + ".html")
|
||||||
|
p(err)
|
||||||
|
p(fp.Write(body))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".html", timestamp, timestamp))
|
||||||
|
|
||||||
|
return false
|
||||||
|
}
|
||||||
|
article := articles[0]
|
||||||
|
|
||||||
|
live, err := article.Search(`.//*[@data-test-id="live-blog-label"]`)
|
||||||
|
p(err)
|
||||||
|
if len(live) > 0 {
|
||||||
|
fp, err := os.Create(filename + ".skip")
|
||||||
|
p(fp.WriteString("liveblog\n"))
|
||||||
|
p(err)
|
||||||
|
p(os.Chtimes(filename+".skip", timestamp, timestamp))
|
||||||
|
return true
|
||||||
|
}
|
||||||
|
|
||||||
|
headers, err := article.Search(`.//header`)
|
||||||
|
p(err)
|
||||||
|
if len(headers) == 0 {
|
||||||
|
_ = w(fmt.Errorf("no header: %s", url))
|
||||||
|
|
||||||
|
fp, err := os.Create(filename + ".err")
|
||||||
|
p(err)
|
||||||
|
p(fmt.Fprintf(fp, "no elements: %s\n", url))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".err", timestamp, timestamp))
|
||||||
|
|
||||||
|
fp, err = os.Create(filename + ".html")
|
||||||
|
p(err)
|
||||||
|
p(fp.Write(body))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".html", timestamp, timestamp))
|
||||||
|
|
||||||
|
return false
|
||||||
|
|
||||||
|
}
|
||||||
|
header := headers[0]
|
||||||
|
|
||||||
|
isOpinie := false
|
||||||
|
tags := make([]string, 0)
|
||||||
|
ell, err := header.Search(`.//*[@data-test-id="article-label"]`)
|
||||||
|
p(err)
|
||||||
|
if len(ell) == 0 {
|
||||||
|
_ = w(fmt.Errorf("no labels: %s", url))
|
||||||
|
}
|
||||||
|
for _, el := range ell {
|
||||||
|
s := strings.TrimSpace(el.Content())
|
||||||
|
if s != "" && s != "Nieuws" {
|
||||||
|
tags = append(tags, s)
|
||||||
|
}
|
||||||
|
if strings.ToLower(s) == "opinie" {
|
||||||
|
isOpinie = true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
pars := make([]string, 0)
|
||||||
|
|
||||||
|
found := false
|
||||||
|
ell, err = header.Search(`.//*[@data-test-id="header-intro"]`)
|
||||||
|
p(err)
|
||||||
|
for _, el := range ell {
|
||||||
|
s := strings.TrimSpace(el.Content())
|
||||||
|
if s != "" {
|
||||||
|
pars = append(pars, s)
|
||||||
|
found = true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
if !found && !isOpinie {
|
||||||
|
_ = w(fmt.Errorf("no intro: %s", url))
|
||||||
|
}
|
||||||
|
|
||||||
|
specials, err := article.Search(`.//section//aside | .//section//figure | .//section//b`)
|
||||||
|
p(err)
|
||||||
|
for _, special := range specials {
|
||||||
|
special.Remove()
|
||||||
|
}
|
||||||
|
|
||||||
|
ell, err = article.Search(`.//section//*[@data-article-element-index]`)
|
||||||
|
p(err)
|
||||||
|
if len(ell) == 0 {
|
||||||
|
_ = w(fmt.Errorf("no elements: %s", url))
|
||||||
|
|
||||||
|
fp, err := os.Create(filename + ".err")
|
||||||
|
p(err)
|
||||||
|
p(fmt.Fprintf(fp, "no elements: %s\n", url))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".err", timestamp, timestamp))
|
||||||
|
|
||||||
|
fp, err = os.Create(filename + ".html")
|
||||||
|
p(err)
|
||||||
|
p(fp.Write(body))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".html", timestamp, timestamp))
|
||||||
|
|
||||||
|
return false
|
||||||
|
}
|
||||||
|
|
||||||
|
found = false
|
||||||
|
for _, el := range ell {
|
||||||
|
s := strings.TrimSpace(el.Content())
|
||||||
|
if s != "" {
|
||||||
|
pars = append(pars, s)
|
||||||
|
found = true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
if !found {
|
||||||
|
_ = w(fmt.Errorf("no text, skipping: %s", url))
|
||||||
|
fp, err := os.Create(filename + ".skip")
|
||||||
|
p(fp.WriteString(url + "\n"))
|
||||||
|
p(err)
|
||||||
|
p(os.Chtimes(filename+".skip", timestamp, timestamp))
|
||||||
|
|
||||||
|
fp, err = os.Create(filename + ".html")
|
||||||
|
p(err)
|
||||||
|
p(fp.Write(body))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".html", timestamp, timestamp))
|
||||||
|
|
||||||
|
return true
|
||||||
|
}
|
||||||
|
|
||||||
|
fp, err := os.Create(filename + ".txt")
|
||||||
|
p(err)
|
||||||
|
|
||||||
|
if len(tags) == 0 {
|
||||||
|
p(fmt.Fprintln(fp, "##META text tag ="))
|
||||||
|
} else {
|
||||||
|
for _, tag := range tags {
|
||||||
|
p(fmt.Fprintf(fp, "##META text tag = %s\n", u.FixSpace(tag)))
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
p(fp.WriteString(u.AddEnd(u.FixSpace(title))))
|
||||||
|
|
||||||
|
for _, par := range pars {
|
||||||
|
p(fp.WriteString(u.AddEnd(u.FixSpace(par))))
|
||||||
|
}
|
||||||
|
|
||||||
|
p(fp.Close())
|
||||||
|
|
||||||
|
p(os.Chtimes(filename+".txt", timestamp, timestamp))
|
||||||
|
|
||||||
|
return true
|
||||||
|
}
|
||||||
70
Volkskrant/txt2corpus.sh
Executable file
70
Volkskrant/txt2corpus.sh
Executable file
@@ -0,0 +1,70 @@
|
|||||||
|
#!/bin/bash
|
||||||
|
|
||||||
|
set -e
|
||||||
|
|
||||||
|
BASE=/net/corpora/nlnieuws
|
||||||
|
PART=$BASE/Volkskrant
|
||||||
|
|
||||||
|
unset CDPATH
|
||||||
|
PATH=$PART:$BASE/bin:$BASE:/net/aps/bin:$PATH
|
||||||
|
export TZ=Europe/Amsterdam
|
||||||
|
. /net/aps/etc/alpino-activate.sh > /dev/null
|
||||||
|
|
||||||
|
if [ "$1" = "" ]
|
||||||
|
then
|
||||||
|
ds=`date -d -2days +%Y-%m-%d`
|
||||||
|
else
|
||||||
|
case "$1" in
|
||||||
|
2[0-9][0-9][0-9]-[01][0-9]-[0-3][0-9])
|
||||||
|
ds=$1
|
||||||
|
;;
|
||||||
|
*)
|
||||||
|
echo INVALID
|
||||||
|
exit 1
|
||||||
|
;;
|
||||||
|
esac
|
||||||
|
fi
|
||||||
|
|
||||||
|
dp=${ds//-//}
|
||||||
|
year=${ds%%-*}
|
||||||
|
corpus=$PART/corpus/$year/$ds
|
||||||
|
mkdir -p $PART/corpus/$year
|
||||||
|
|
||||||
|
cd $PART/$dp
|
||||||
|
|
||||||
|
ln -s lock.$$ lock
|
||||||
|
if [ "`readlink lock`" != lock.$$ ]
|
||||||
|
then
|
||||||
|
echo Getting lock failed
|
||||||
|
exit 1
|
||||||
|
fi
|
||||||
|
|
||||||
|
rm -fr out
|
||||||
|
mkdir out
|
||||||
|
|
||||||
|
rm -f $corpus.lines
|
||||||
|
for i in *.txt
|
||||||
|
do
|
||||||
|
b=`basename $i .txt`
|
||||||
|
perl -p -e 's/^\s*//; s/^##META.*\n//' $i | tokenize.sh \
|
||||||
|
| perl -e '$n = 0; while(<>) { $n++; print("vk.'$b'.$n|$_"); }' \
|
||||||
|
>> $corpus.lines
|
||||||
|
done
|
||||||
|
|
||||||
|
cd out
|
||||||
|
mkdir xml
|
||||||
|
Alpino -flag treebank xml debug=1 end_hook=xml user_max=900000 -parse < $corpus.lines 2> $corpus.log
|
||||||
|
|
||||||
|
metadata
|
||||||
|
|
||||||
|
cd xml
|
||||||
|
rm -f $corpus.data.dz $corpus.index
|
||||||
|
alto -q -o $corpus.data.dz *.xml
|
||||||
|
|
||||||
|
# telling per bericht, niet per zin
|
||||||
|
query.sh -x T -s $corpus.data.dz > $corpus.tag.txt
|
||||||
|
|
||||||
|
cd ../..
|
||||||
|
rm -fr out
|
||||||
|
|
||||||
|
rm -f lock
|
||||||
@@ -43,7 +43,7 @@ cd /net/corpora/nlnieuws/data/$year
|
|||||||
|
|
||||||
declare -A parts
|
declare -A parts
|
||||||
#parts[alles]='.'
|
#parts[alles]='.'
|
||||||
parts[algemeen]='NOS|NU|NieuwsNL|RO|Sargasso'
|
parts[algemeen]='NOS|NU|NieuwsNL|RO|Sargasso|Volkskrant'
|
||||||
parts[amsterdam]='AT5|BuurtAdam|Parool'
|
parts[amsterdam]='AT5|BuurtAdam|Parool'
|
||||||
parts[groningen]='BuurtGrn|GG|Oog|RTVNoord|Sikkom'
|
parts[groningen]='BuurtGrn|GG|Oog|RTVNoord|Sikkom'
|
||||||
parts[literatuur]='LitNL|Tzum'
|
parts[literatuur]='LitNL|Tzum'
|
||||||
@@ -64,6 +64,7 @@ parts[vlaanderen]='HLN|VRT'
|
|||||||
#parts[Sargasso]='Sargasso'
|
#parts[Sargasso]='Sargasso'
|
||||||
#parts[Sikkom]='Sikkom'
|
#parts[Sikkom]='Sikkom'
|
||||||
#parts[Tzum]='Tzum'
|
#parts[Tzum]='Tzum'
|
||||||
|
#parts[Volkskrant]='Volkskrant'
|
||||||
#parts[VRT]='VRT'
|
#parts[VRT]='VRT'
|
||||||
|
|
||||||
for part in ${!parts[@]}
|
for part in ${!parts[@]}
|
||||||
|
|||||||
@@ -11,19 +11,25 @@ import (
|
|||||||
)
|
)
|
||||||
|
|
||||||
var (
|
var (
|
||||||
p = e.PanicErr
|
p = e.PanicErr
|
||||||
reEOL = regexp.MustCompile(`[.!?]['"”’]?$`)
|
reEOL = regexp.MustCompile(`[.!?]['"”’]?$`)
|
||||||
reNEOL = regexp.MustCompile(`[.!?]['"”’]?\p{Lu}\p{Ll}+\.?`)
|
reNEOL = regexp.MustCompile(`[.!?]['"”’]?\p{Lu}\p{Ll}+\.?`)
|
||||||
reLET = regexp.MustCompile(`\p{Lu}`)
|
reLET = regexp.MustCompile(`\p{Lu}`)
|
||||||
reBody = regexp.MustCompile(`<[bB][rR][ /]*>`)
|
reBody = regexp.MustCompile(`<[bB][rR][ /]*>`)
|
||||||
|
reQuotLeft = regexp.MustCompile(`<em>|<i>`)
|
||||||
|
reQuotRight = regexp.MustCompile(`</em>|</i>`)
|
||||||
)
|
)
|
||||||
|
|
||||||
func HtmlFix(body []byte) []byte {
|
func HtmlFix(html []byte) []byte {
|
||||||
return reBody.ReplaceAllLiteral(body, []byte(" "))
|
html = reQuotLeft.ReplaceAllLiteral(html, []byte(" „"))
|
||||||
|
html = reQuotRight.ReplaceAllLiteral(html, []byte("” "))
|
||||||
|
return reBody.ReplaceAllLiteral(html, []byte(" "))
|
||||||
}
|
}
|
||||||
|
|
||||||
func HtmlFixString(body string) string {
|
func HtmlFixString(html string) string {
|
||||||
return reBody.ReplaceAllLiteralString(body, " ")
|
html = reQuotLeft.ReplaceAllLiteralString(html, " „")
|
||||||
|
html = reQuotRight.ReplaceAllLiteralString(html, "” ")
|
||||||
|
return reBody.ReplaceAllLiteralString(html, " ")
|
||||||
}
|
}
|
||||||
|
|
||||||
func AddEnd(s string) string {
|
func AddEnd(s string) string {
|
||||||
|
|||||||
23
www/app.html
23
www/app.html
@@ -110,11 +110,16 @@
|
|||||||
<td class="bar"><div id="RO"></div></td>
|
<td class="bar"><div id="RO"></div></td>
|
||||||
<td><a href="https://reportersonline.nl/">Reporters Online</a></td>
|
<td><a href="https://reportersonline.nl/">Reporters Online</a></td>
|
||||||
</tr>
|
</tr>
|
||||||
<tr class="last">
|
<tr>
|
||||||
<td></td>
|
<td></td>
|
||||||
<td class="bar"><div id="Sargasso"></div></td>
|
<td class="bar"><div id="Sargasso"></div></td>
|
||||||
<td><a href="https://sargasso.nl/">Sargasso</a></td>
|
<td><a href="https://sargasso.nl/">Sargasso</a></td>
|
||||||
</tr>
|
</tr>
|
||||||
|
<tr class="last">
|
||||||
|
<td></td>
|
||||||
|
<td class="bar"><div id="Volkskrant"></div></td>
|
||||||
|
<td><a href="https://www.volkskrant.nl/">de Volkskrant</a></td>
|
||||||
|
</tr>
|
||||||
<tr class="first">
|
<tr class="first">
|
||||||
<td>Amsterdam</td>
|
<td>Amsterdam</td>
|
||||||
<td class="bar"><div id="AT5"></div></td>
|
<td class="bar"><div id="AT5"></div></td>
|
||||||
@@ -122,16 +127,20 @@
|
|||||||
</tr>
|
</tr>
|
||||||
<tr>
|
<tr>
|
||||||
<td></td>
|
<td></td>
|
||||||
<td class="bar"><div id="BuurtAdam"></div></td>
|
<td class="bar"><div id="Parool"></div></td>
|
||||||
<td>
|
<td>
|
||||||
<a href="https://indebuurt.nl/amsterdam/">In de buurt Amsterdam</a>
|
<a href="https://www.parool.nl/amsterdam/"
|
||||||
|
>Het Parool | Amsterdam</a
|
||||||
|
>
|
||||||
</td>
|
</td>
|
||||||
</tr>
|
</tr>
|
||||||
<tr class="last">
|
<tr class="last">
|
||||||
<td></td>
|
<td></td>
|
||||||
<td class="bar"><div id="Parool"></div></td>
|
<td class="bar"><div id="BuurtAdam"></div></td>
|
||||||
<td>
|
<td>
|
||||||
<a href="https://www.parool.nl/amsterdam/">Parool Amsterdam</a>
|
<a href="https://indebuurt.nl/amsterdam/"
|
||||||
|
>In de buurt | Amsterdam</a
|
||||||
|
>
|
||||||
</td>
|
</td>
|
||||||
</tr>
|
</tr>
|
||||||
<tr class="first">
|
<tr class="first">
|
||||||
@@ -147,7 +156,9 @@
|
|||||||
<td></td>
|
<td></td>
|
||||||
<td class="bar"><div id="BuurtGrn"></div></td>
|
<td class="bar"><div id="BuurtGrn"></div></td>
|
||||||
<td>
|
<td>
|
||||||
<a href="https://indebuurt.nl/groningen/">In de buurt Groningen</a>
|
<a href="https://indebuurt.nl/groningen/"
|
||||||
|
>In de buurt | Groningen</a
|
||||||
|
>
|
||||||
</td>
|
</td>
|
||||||
</tr>
|
</tr>
|
||||||
<tr>
|
<tr>
|
||||||
|
|||||||
Reference in New Issue
Block a user