RI-P1/docs/Summary.org

#+TITLE: Práctica 1
#+SUBTITLE: Recuperación de Información
#+AUTHOR: Amin Kasrou Aouam
#+DATE: 2020-10-25
#+PANDOC_OPTIONS: template:~/.pandoc/templates/eisvogel.latex
#+PANDOC_OPTIONS: listings:t
#+PANDOC_OPTIONS: toc:t
#+PANDOC_METADATA: lang=es
#+PANDOC_METADATA: titlepage:t
#+PANDOC_METADATA: listings-no-page-break:t
#+PANDOC_METADATA: toc-own-page:t
#+PANDOC_METADATA: table-use-row-colors:t
#+PANDOC_METADATA: logo:/home/coolneng/Photos/Logos/UGR.png
* Práctica 1

En esta práctica, vamos a obtener información de una serie de documentos usando /Apache Tika/:

1. Obtener los metadatos (nombre , tipo, codificación e idioma)
2. Extraer todos los enlaces que aparecen
3. Generar un fichero con las ocurrencias de cada término, ordenados de forma descendente
4. Generar una gráfica con los términos y su ocurrencia

** Instalación

Implementamos la práctica usando /Java/ como lenguaje de programación, y /Maven/ como herramienta de gestión del proyecto. No es necesario utilizar esta herramienta, pero nos ofrece una mayor reproducibilidad del proyecto.

En el caso de que deseemos instalar fácilmente todas las dependencias, podemos instalar el gestor de paquetes [[https://nixos.org/guides/install-nix.html][Nix]] (compatible con Linux, MacOS y WSL)

*** Usando Nix

1. Instalamos Nix:

#+BEGIN_SRC shell
sh <(curl -L https://nixos.org/nix/install) --daemon
#+END_SRC

2. Cambiamos la ruta al directorio del proyecto:

#+BEGIN_SRC shell
cd P1
#+END_SRC

3. Entramos en el entorno de desarrollo reproducible y aislado:

#+BEGIN_SRC shell
nix-shell
#+END_SRC

Nix se encargará de resolver las dependencias, podemos dirigirnos directamente a la sección de ejecución.

*** Sin Nix

En el caso de que no deseemos usar Nix, deberemos instalar las siguientes dependencias en nuestro sistema:

\clearpage

- OpenJDK (> 8.0)
- Maven
- Gnuplot

** Ejecución

En el caso que deseemos utilizar /Maven/, debemos ejecutar los siguientes comandos:

1. Compilar el proyecto
   
#+BEGIN_SRC shell
mvn compile
#+END_SRC

2. Ejecutar el proyecto

#+BEGIN_SRC shell
mvn exec:java -Dexec.mainClass="org.RI.P1.AnalyzeDirectory" -Dexec.args="data metadata"
#+END_SRC

Debemos modificar el argumento *metadata* según la salida que deseemos:

- *metadata*: obtenemos la información de los archivos (nombre, codificación, tipo)
- *links*: obtenemos la lista de enlaces de cada archivo
- *frequency*: se guarda la frecuencia de las palabras de cada documento en un archivo (se encuentran en la carpeta output).
  
** Desarrollo