update readme

README.md

@@ -1,78 +1,22 @@
-# Verzamelen van nieuwsberichten
+# Actuele nieuwsberichten
 
-## Bronnen: verzamelen
+- voor Alpino: nieuwe namen en nieuwe woorden
+- voor *Woord van de maand* ook: toplijsten van personen, plaatsen,
+  organisaties en andere namen (TODO: url van webapp)
 
-Elke directory waarvan de naam met een hoofdletter begint is voor een
-enkele nieuwsbron.
-
-De onverwerkte berichten worden opgeslagen in een subdirectory
-jaar/maand/dag voor NieuwsNL en in subdirectory jaar/weeknummer voor de
-overige bronnen.
-
-Het formaat van de data verschilt per bron. Soms is er voor elk bericht
-alleen een XML-bestand (`*.xml`), een fragment afkomstig uit de
-RSS-feed, waar heel de tekst en alle gegevens al in staan. Wanneer de
-RSS-feed niet de complete tekst bevat, dan worden de HTML-pagina's van
-nieuwe berichten gedownload, en wordt daar de tekst uit gehaald. Dan
-krijg je bestanden zoals `*.json` en/of `*.txt`.
-
-Als er fouten bij het verzamelen zijn dan zijn er bestanden op `*.err`
-en mogelijk `*.html`.
-
-Gewoonlijk als er iets mis gaat probeert de software een uur later
-dezelfde berichten weer te verwerken. Om dat te voorkomen kunnen
-bestanden handmatig hernoemd worden van `*.err` naar `*.skip`. Voor
-berichten van een type waarvan bekend is dat ze geen tekst bevatten
-worden automatisch bestanden op `*.skip` gemaakt.
-
-## Verwerking
-
-Elke dag voor NieuwsNL en alleen op dinsdag voor de overige bronnen
-worden de teksten verwerkt. De teksten worden omgezet naar
-getokeniseerde zinnen met labels, door Alpino geparst, en voorzien van
-metadata.
-
-Dit gebeurt door de scripts `txt2corpus.sh` van elke bron. De scripts
-variëren per bron omdat het formaat waarin de teksten aanwezig zijn
-verschillen per bron.
-
-De resultaten staan in de subdirectory's `corpus` van elke bron.
-
-## Analyse
-
-Op woensdag worden de geparste zinnen van de afgelopen week geanalyseerd.
-(De data voor NieuwsNL worden hierbij samengevoegd in één week.) Er
-worden queries uitgevoerd,  tellingen gedaan, ranglijsten gemaakt. Voor
-sommige queries wordt een top 20 samengesteld van meest voorkomende
-items die nog niet eerder in de top 20 stonden.
-
-Voor de analyse worden bronnen samengevoegd in onderdelen: algemeen,
-amsterdam, groningen, literatuur, vlaanderen. De resultaten worden
-bij elkaar opgeslagen in directory `data`.
-
-Uit de analyse worden de data gehaald die nodig zijn voor de
-webapp, en opgeslagen als json, in subdirectory `data/json`.
-
-Dit alles gebeurt door het script `collect.sh`
-
-Je kunt de analyse ook handmatig doen, met het script `query.sh`
-
-
-## Uitvoering
-
-Alles gebeurt vanuit cron. Foutmeldingen en waarschuwingen worden per
-mail verstuurd door cron.
-
-### crontab van p209327@colossus
-
-Is `/net/corpora` schrijfbaar?
+Voor interactief gebruik:
 
 ```
-# m h dom mon dow command
-2   * *   *   *   /net/aistaff/kleiweg/services/nfs/test.sh
+query.sh
 ```
 
-Berichten verzamelen
+## 1. Verzamelen van berichten
+
+Berichten van NieuwsNL in `NieuwsNL/yyyy/mm/dd/`
+
+Overigen in `[A-Z]*/yyyy/ww/` (weeknummer)
+
+crontab van p209327@colossus
 
 ```
 # m h dom mon dow command
@@ -95,9 +39,13 @@ Berichten verzamelen
 19  * *   *   *   /net/corpora/nlnieuws/VRT/vrt
 ```
 
-Nieuws verwerken: tekst omzetten naar zinnen, parsen, metadata toevoegen
+## 2. Teksten verwerken: omzetten naar zinnen, parsen, metadata toevoegen
 
-NieuwsNL elke dag, overigen alleen op dinsdag
+Uitvoer in `[A-Z]*/corpus/`
+
+NieuwsNL elke dag, de rest alleen op dinsdag
+
+crontab van p209327@colossus
 
 ```
 # m h dom mon dow command
@@ -120,24 +68,24 @@ NieuwsNL elke dag, overigen alleen op dinsdag
 0   1 *   *   2   /net/corpora/nlnieuws/VRT/txt2corpus.sh
 ```
 
-Ging alles goed: zo niet, dan kunnen er nog lockfile zijn
+## 3. Queries uitvoeren, tellingen doen
 
-```
-# m h dom mon dow command
-50  0 *   *   *   find /net/corpora/nlnieuws -name lock
-```
+Tellingen in `data/`
 
-Op woensdag alles verzamelen: queries uitvoeren, data die nodig is voor
-webapp omzetten naar json
+Gegevens voor webapp in `data/json/`
+
+Op woensdag
+
+crontab van p209327@colossus
 
 ```
 # m h dom mon dow command
 0   1 *   *   3   /net/corpora/nlnieuws/collect.sh
 ```
 
-### crontab van f109308@colossus
+## 4. Data in json op webplatform zetten
 
-Json-bestanden voor de webapp overzetten naar het webplatform
+crontab van f109308@colossus
 
 ```
 # m h      dom mon dow command

collect.sh

@@ -165,3 +165,7 @@ data2json $ds 1 > json/DATA-$ds-1.json
 data2json $ds 4 > json/DATA-$ds-4.json
 dates2json > json/index1.json
 dates2json > json/index4.json
+
+# rechten bijwerken
+chmod -R g+w /net/corpora/nlnieuws
+chgrp -R software /net/corpora/nlnieuws