pavouk - telugština
DESCRIPTION
David Mareček. Pavouk - telugština. Telugština. Používaný v indickém svazovém státě Ándharapradéš, kde je úředním jazykem. cca 70 miliónů mluvčích Používá své vlastní písmo (v Unicode jsou to znaky 0C00 až 0C7F ). Zdroj dat. Výchozí stránka: http://in.telugu.yahoo.com/ - PowerPoint PPT PresentationTRANSCRIPT
Pavouk - telugština
David Mareček
Telugština
• Používaný v indickém svazovém státě Ándharapradéš, kde je úředním jazykem.
• cca 70 miliónů mluvčích
• Používá své vlastní písmo (v Unicode jsou to znaky 0C00 až 0C7F).
Zdroj dat
• Výchozí stránka: http://in.telugu.yahoo.com/
• Stránky, které nemají v hlavičce meta tag s kódováním utf-8, se zahazují.
• Program během stahování neopustil výchozí stránku.
Parsing
• Pro parsování stránky byl použit balík HTML::Parser.
• Pro dekódování entit balík HTML::Entities.
• Každá stránka rozdělena na odstavce.
• Bereme poze ty odstavce, které jsou uvnitř bloku <body> a zároveň nejsou uvnitř bloku <script>.
Zpracování textu
• Pro každý odstavec se podle vzorce z přednášky určí podobnost jeho jazyka
• Při dostatečné podobnosti (pro telugštinu více jak 0.6) se tento odstavec přidá do korpusu
• Hašování obsahu odstavců pomcí CRC (String::CRC), tím zamezíme výskytu shodných odstavců v korpusu
Zpracování linků
• Během průchodu stránkou se všechny linky převádějí na absoulutní a ukládají se do pomocného seznamu.
• Pokud se z této stránky vložil do korpusu alespoň jeden odstavec, seznam linků se přidá na konec fronty, v opačném případě se zahodí.
• Hašování linků pomocí CRC, do fronty se přidávají pouze nenavštívená url.
Korpus
• počet odstavců: 11 030
• počet slov: 511 022
• počet znaků (bez mezer): 3 603 193
• velikost 10,6 MB