Méta-calendrier automatique pour portail www
description
Transcript of Méta-calendrier automatique pour portail www
Isabelle Kervella - Mastère ISIC 1
Méta-calendrier automatique pour portail www
Projet d’ingénierieMars 2002
Isabelle Kervella - Mastère ISIC 2
Plan
Situons le contexte ...
Compréhension du besoin
Analyse fonctionnelle
Solutions techniques proposées
Isabelle Kervella - Mastère ISIC 3
Situons le contexte ...
Isabelle Kervella - Mastère ISIC 4
Compréhension du besoin
• Ce projet couvre plusieurs aspects :
l’extraction des données le stockage des données le nettoyage des données la représentation visuelle des données le paramétrage de la collecte / l’administration
Isabelle Kervella - Mastère ISIC 5
Analyse fonctionnelle
Données HTML(source HTTP)
Grammaire(fichier .nf)
Ecrite aprèsanalyse ducode source :Analyse de lasémantique
Wrapper(programme
Java)
Résultats(Fichiers de sortie)
.txt .xml
<Calendrier><Evenements Date= ‘’01.01.02’’><EvenementType=’’Fest-noz’’ Lieu=’’Brélès’’Acteurs=’’Kael’’><\Evenement><\Evenements><\Calendrier>
n fichiers XML (format unifié)Stockage des
données
Nettoyage des données- Détection des doublons- Annulation des donnéesobsolètes
Formulaire de recherche
Requête
Portail Trad.org
Affichage des réponses
Résultat de la requête
Parseur(programme
Java)
Isabelle Kervella - Mastère ISIC 6
Solutions techniques retenues
Le format HTML est adapté :• à la présentation de documents• à la navigation entre les pages publiées sur le web
cependant… il n’offre pas :• une présentation structurée des données
BILAN :• les informations au format HTML sont difficiles à capturer par
des parsers grammaticaux ordinaires
La solution proposée : le WRAPPING
Isabelle Kervella - Mastère ISIC 7
Solutions techniques retenues
Choix du Wrapper : Araneus
il combine les avantages :• d’une approche déclarative, basée sur une grammaire, • et la flexibilité d’une programmation procédurale
cette particularité lui permet de traiter efficacement les hétérogénéités et les exceptions.
Il permettra de recueillir les données dans un fichier XML.
Isabelle Kervella - Mastère ISIC 8
Solutions techniques retenues
Présentation de l’outil par l’exemple
Format HTML Format XML
Isabelle Kervella - Mastère ISIC 9
Solutions techniques retenues
Écriture de la grammaire (fichier nf)
• HTML :<td width=4% nowrap><div align=center><b>Fest-deiz</b></div></td>
• Grammaire nf :<td[ ]width=4%[ ]nowrap><div[ ]align=center><b> $TypeEvt { out.print("<Evenement Type=\"" +
$TypeEvt + "\""); } </b></div></td>
• XML :
<Evenement Type="Fest-deiz"
En complément, consulter le tutorial fourni avec la documentation d’Araneus !
Isabelle Kervella - Mastère ISIC 10
Solutions techniques retenues
Extraction des données : les principales commandes
calendrier.nf
java mwg trads\NFFiles\calendrier.nf calendrier.java
Wrapper
calendrier.java
calendrier.xml
java calendrier S trads\html\capture.htm > calendrier.xml
Cette commande produit dans le répertoire courant un wrapper appelé calendrier.java à partir des spécifications décrites dans le fichier calendrier.nf
Cette commande wrappe le document source (fichier stocké localement ou URL), extrait les données et retourne le résultat dans un fichier XML.
Isabelle Kervella - Mastère ISIC 11
Solutions techniques retenuesCalendrier
Evenements
Lieu
Date
Acteur
Type
Evenement
Lieu
Acteur
Type
Evenement
Evenements
Lieu
Date
Acteur
Type
Evenement
Le wrapper génère en sortie un fichier xml, structuré, qui ne mélange pas l’information et la mise en forme du document.
La séparation du contenu et de la forme permet d’extraire facilement les informations du document par un simple parsing.
Isabelle Kervella - Mastère ISIC 12
Solutions techniques retenues
Le parsing
Le parseur, utilisé pour réaliser le parsing, est un programme capable de récupérer des informations contenues dans un fichier structuré, tel que XML.
Principe :– on donne l’appellation de la balise– on obtient en retour la valeur comprise entre cette balise ouvrante et sa
jumelle fermante
Les APIs jouent le rôle d’interface et permettent d’accéder facilement aux données contenues dans le document XML.
Isabelle Kervella - Mastère ISIC 13
Solutions techniques retenues
Le parsing
Isabelle Kervella - Mastère ISIC 14
Solutions techniques retenues
Le parsing : développement d’un parseur en Java
Le parseur développé utilise les APIs JAXP et DOM.
• La première partie du programme utilise l’API JAXP (Java API for XML Parsing) pour construire un arbre d’objets DOM.
• La seconde partie du programme permet de parcourir, nœud par nœud, l’arbre d’objets, afin de parser l’ensemble du fichier XML.
Isabelle Kervella - Mastère ISIC 15
Conclusion
Une solution au problème d’extraction ...
L’emploi :• d’un wrappeur pour traduire un document non structuré dans un format XML, • d’un parseur pour extraire l’information, constitue une solution à ce problème.
Ce projet couvre plusieurs aspects. Seule la première partie a été abordée.
La suite du travail ...• Concernant le stockage des données, deux solutions simples peuvent être
envisagées :
- la base de données XML
- la base de données MySQL