chavalitros
/
RI-P1
1
0
Fork 0
Code Issues Pull Requests Projects Releases Wiki Activity
RI-P1/docs/Summary.org

2.5 KiB
Raw Blame History

Práctica 1

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 Nix (compatible con Linux, MacOS y WSL)

Usando Nix

  1. Instalamos Nix:
sh <(curl -L https://nixos.org/nix/install) --daemon
  1. Cambiamos la ruta al directorio del proyecto:
cd P1
  1. Entramos en el entorno de desarrollo reproducible y aislado:
nix-shell

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
mvn compile
  1. Ejecutar el proyecto
mvn exec:java -Dexec.mainClass="org.RI.P1.AnalyzeDirectory" -Dexec.args="data metadata"

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