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

1.6 KiB
Raw Blame History

Práctica 1

Práctica 1

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

Ejecución

Implementamos la práctica usando Java como lenguaje de programación, y Maven como herramienta de gestión del proyecto.

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).

Implementación

Lamentablemente, no hemos podido implementar la funcionalidad del gráfico para comprobar si se cumple la ley de Zipf. Además de ello, nuestro tokenizer no funciona demasiado bien debido al uso de una expresión regular que no toma en cuenta todos los casos.