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.
Tal y como podemos observar en la sección previa de ejecución, hemos optado por añadir un argumento para elegir la acción que deseamos realizar. En caso de que se omita éste, las instrucciones de ejecución aparecen por pantalla.
public static void main(String[] args) throws IOException, TikaException, SAXException {
if (args.length != 2) {
usage();
}
String directory = args[0];
String action = args[1];
readFiles(directory);
chooseAction(action);
}
#+END_SRC
Esta funcionalidad permite al usuario seleccionar la salida que desea, además de disminuir el contenido que aparece por pantalla y el tiempo de ejecución (dado que no computamos acciones innecesarias).
En el caso de la opción /frequency/, guardamos las ocurrencias de los términos en un fichero en el directorio *output* con el formato /filename.dat/. Utilizaremos estos archivos para generar las gráficas.
Mostramos el extacto de uno de los documentos, con carácter ilustrativo:
| 1075 | the |
| 562 | and |
| 543 | of |
| 543 | a |
| 371 | in |
| 370 | to |
| 295 | i |
| 200 | that |
| 188 | it |
| 180 | his |
** Gráficas
El objetivo final de esta práctica es comprobar si se cumple la ley de Zipf en el conjunto de documentos que analizamos. Para ello vamos a generar gráficas para observar si se cumple, con documentos en distintos idiomas.
En cada gráfica vamos a generar la función generada a partir de los archivos de datos, y la función normalizada mediante $log$.
Incluimos un script de gnuplot genérico, al cual le pasamos el fichero de datos como argumento.
#+BEGIN_SRC gnuplot
# Variables
FILEDATA = ARG1
# Parameters
set terminal png size 500,500
set title FILEDATA
set xlabel 'word'
set ylabel 'ocurrence'
set multiplot
# Plotting
plot FILEDATA using 1:xtic(2) lt rgb '#6E016B'
set logscale
plot FILEDATA using 1:xtic(2) lt rgb '#41AB5D'
#+END_SRC
Procedemos a automatizar la generación de 3 gráficas, a partir de 3 archivos con idiomas distintos, mediante un /shell script/.
#+BEGIN_SRC shell
#!/bin/sh
gnuplot -c script/plot_datafile.gp "output/Moby Dick; Or, The Whale.dat" >output/plot_MobyDick.png
gnuplot -c script/plot_datafile.gp "output/Älykkään ritarin Don Quijote de la Manchan elämänvaiheet.dat" >output/plot_ÄlykkäänritarinDonQuijotedelaManchanelämänvaiheet.png
#+END_SRC
Ambos scripts se encuentran en el directorio /script/.
*Nota*: es importante ejecutar el /shell script/ desde el directorio raíz del proyecto (donde se encuentra el archivo shell.nix).
Con fines ilustrativos, mostramos la gráfica correspondiente al libro del Quijote en finlandés:
#+CAPTION: Gráfica de Älykkään ritarin Don Quijote de la Manchan elämänvaiheet
La función en color violeta corresponde a la generación de la gráfica sin alteraciones, mientras que la función en color verde se encuentra en escala logarítmica.
** Conclusiones
Hemos analizado documentos, de distinto formato y en idiomas distintos, y según los datos empíricos obtenidos observamos que la ley de Zipf se cumple.
