1 / 15

Parsovanie textov článkov

Parsovanie textov článkov. Michal Adda. Motivácia. Získanie informácií z Wikipédie 2 spôsoby Vytvorenie kópie prostredia, aké používa Wikipédia Parsovanie wikipédia dumpu. Existujúci softvér. gwtwiki WikiText parser Sweble WikiText parser ScrewTurn Wiki Wiki engine.

john-franklin
Download Presentation

Parsovanie textov článkov

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Parsovanie textov článkov Michal Adda

  2. Motivácia • Získanie informácií z Wikipédie • 2 spôsoby • Vytvorenie kópie prostredia, aké používa Wikipédia • Parsovaniewikipédiadumpu

  3. Existujúci softvér • gwtwiki • WikiTextparser • Sweble • WikiTextparser • ScrewTurnWiki • Wikiengine

  4. Riešenie problému • Problém 1: Odstránenie Markup textu • Problém 2: Rozbalenie WikiTemplatov

  5. Problém 1 – Odstránenie Markup textu • Markup reťazec ''italics'' bude preložený do html reťazca <i>italics</i>, ktorý bude v prehliadači zobrazený ako italics. • Možnosti riešenia • Preloženie do html (veľa existujúcich nástrojov) • Odstránenie pomocou Regex výrazov

  6. Problém 2 – Rozbalenie templatov • Problémy: • Viaceré možnosti zápisu templatov • Komplikovaná gramatika templatov • Veľké množstvo templatov • Vnorené templaty • Riešenia: • Vlastné riešenie • Použitie Sweble

  7. Problém 2 – Riešenie Sweble • ParserWiki textu s podporou rozbaľovania templatov • Rozbaľovanie je potrebné si naprogramovať implementovaním rozhrania ExpansionCallback a jeho použitím v triede CompiledPage

  8. Riešenie ParsovanaWikiTextu • Prechádzame text wiki článku • Keď narazíme na použitie templatu, nahradíme ho jeho originálym textom • Pokiaľ je to prvé použitie daného templatu, stiahneme ho • Inak použijeme nakešovanú verziu template textu • Pokračujeme, pokiaľ nerozbalíme všetky templaty

  9. Hadoop Riešenie • .NET • Map operácie dostávajú cestu k čiastkovému Wiki súboru, ten potom spracováva volaná Java aplikácia

  10. Vyhodnotenie

  11. Vyhodnotenie – TemplateLiterature

  12. Vyhodnotenie – TemplateLiterature

  13. Vyhodnotenie – TemplateAbout

  14. Vyhodnotenie – TemplateAbout

  15. Vyhodnotenie – Nefungujúce templaty • {{#include}} • Infobox, NavBox

More Related