Outils personnels
User menu

AbstractExtractor

De Dbpedia.fr.

(Différences entre les versions)
(Mise en place du miroir de wikipedia en français : correction installation des extensions mediawiki)
(nettoyage)
 
(5 versions intermédiaires masquées)
Ligne 38 : Ligne 38 :
==== Mise en place du miroir de wikipedia en français ====
==== Mise en place du miroir de wikipedia en français ====
-
Il faut installer mediawiki avec la configuration particulière pour DBpedia (ne pas faire l'installation de mediawiki par l'interface web):
+
Il faut installer mediawiki avec la configuration particulière pour DBpedia (ne pas faire l'installation de mediawiki par l'interface web).
-
* Installer les dépendances de mediawiki :
+
Dans la suite, ''[dépôtDBpedia]'' désigne le répertoire où a été téléchargé le dépôt git de [https://github.com/dbpedia/extraction-framework DBpedia].
-
** serveur web apache2 (parfois appelé httpd).
+
 
-
** mysql
+
 
-
** php, php-xml (parfois déjà inclus dans le package php) et php-acl (parfois appelé php-pecl-acl).
+
===== Installer les dépendances de mediawiki =====
-
* installer la dernière version de mediawiki, dans le répertoire d'installation (noté dans la suite ''[RacineMediawiki]''):
+
* serveur web apache2 (parfois appelé httpd).
 +
* mysql-serveur
 +
* php, php-xml (parfois déjà inclus dans le package php) et php-acl (parfois appelé php-pecl-acl).
 +
 
 +
 
 +
===== Installer mediawiki=====
 +
* Téléchargez la dernière version de mediawiki dans un répertoire accessible par apache (groupe ''apache'' ou ''www-data'', le plus simple est de le rendre accessible à tous).:
  <nowiki>git clone https://gerrit.wikimedia.org/r/p/mediawiki/core.git .</nowiki>
  <nowiki>git clone https://gerrit.wikimedia.org/r/p/mediawiki/core.git .</nowiki>
-
Le répertoire ''[RacineMediawiki]'' doit être accessible aux utilisateurs du groupe id utilisé par apache (souvent ''apache'' ou ''www-data'').
+
Dans la suite on note ''[RacineMediawiki]'' le répertoire d'installation de mediawiki
-
* Configurer le serveur apache pour que l'adresse ''/mediawiki'' corresponde au dossier ''[RacineMediawiki]'', pour cela ajouter les lignes au fichier de configuration de apache (selon la configuration ''/etc/apache2/apache2.conf'' ou ''/etc/httpd/conf/httpd.conf''), voir dans un ''<nowiki><VirtualHost></nowiki>'':
+
 
-
<nowiki>Alias /mediawiki [RacineMediawiki]
+
* Copier le contenu du répertoire ''[dépôtDBpedia]/dump/src/main/mediawiki/'' dans ''[RacineMediawiki]''.
-
<Directory /mediawiki>
+
 
-
  Allow from all
+
-
</Directory></nowiki>
+
-
puis raffraîchir la configuration du serveur apache :
+
-
<nowiki>sudo service httpd reload</nowiki>
+
-
En tappant l'adresse ''http://localhost/mediawiki'' dans un navigateur, vous devez obtenir une page qui invite à poursuivre l'installation, '''il ne faut pas le faire'''.
+
-
* Copier le contenu du sous répertoire ''dump/src/main/mediawiki/'' du dépôt [https://github.com/dbpedia/extraction-framework DBpedia] dans ''[RacineMediawiki]''.
+
* Installer les extensions listées à la fin du fichier ''[RacineMediawiki]/LocalSettings.php'', depuis le répertoire ''[RacineMediawiki]/extensions'':
* Installer les extensions listées à la fin du fichier ''[RacineMediawiki]/LocalSettings.php'', depuis le répertoire ''[RacineMediawiki]/extensions'':
  <nowiki>git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/Babel.git; \
  <nowiki>git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/Babel.git; \
Ligne 74 : Ligne 74 :
-
ToDo:
+
===== Configurer le serveur apache =====
-
* initialisation de la bd MySQL (export MYSQL_HOME, correction script pour mysql_install_db).
+
Faire correspondre l'adresse ''/mediawiki'' au dossier ''[RacineMediawiki]'', pour cela ajouter les lignes au fichier de configuration de apache (selon la configuration ''/etc/apache2/apache2.conf'' ou ''/etc/httpd/conf/httpd.conf''), voir dans un ''<nowiki><VirtualHost></nowiki>'':
-
* execution du processus d'import par scala.
+
<nowiki>Alias /mediawiki [RacineMediawiki]
-
** Rq on a eu besoin de supprimer "CHARACTER SET binary", ligne 60 de ''dump/org/dbpedia/extraction/dump/sql/Import.scala'' pour que ça marche.
+
<Directory /mediawiki>
-
** Rq il faut rendre configurable l'adresse du wiki dans le code de AbsractExtractor.scala
+
  Allow from all
 +
</Directory></nowiki>
 +
puis raffraîchir la configuration du serveur apache :
 +
<nowiki>sudo service httpd reload</nowiki>
 +
En tappant l'adresse ''http://localhost/mediawiki?uselang=fr'' dans un navigateur, vous devez obtenir une page qui contient le message : "Sorry! This site is experiencing technical difficulties", c'est parce qu'il faut encore mettre en place la base de données.
-
'''Rq''' : Sous Ubuntu il a fallu modifier la configuration de apparmor pour autoriser la création d'une bd mysql dans le répertoire choisi.
 
-
==== Installation du Wiki ====
+
===== Installer la base de données pour mediawiki =====
 +
Un script permet de créer une base de données pour mediawiki et d'y charger les modèles depuis le dump XML de wikipedia.
 +
* La base de données est crée dans un répertoire propre avec des options particulières, il faut donc stopper le serveur mysql s'il tourne déjà:
 +
<nowiki>sudo service mysqld stop</nowiki>
 +
* Créer un répertoire ''[dossierMysql]'' où sera crée la base de données MySQL.
 +
* Suivant l'installation de MySQL, les exécutables ne sont pas au même endroit, modifier le fichier ''[dépôtDBpedia]/dump/src/main/bash/mysql.sh'' afin de corriger l'appel aux eécutables de mysql (en tenant compte de la variable d'environnement ''$MYSQL_HOME'').('''TODO''': simplifier ça en ajoutant tout dans ''$PATH''). Puis lancer la création de la base de données :
 +
<nowiki>[dépôtDBpedia]/dump/src/main/bash/mysql.sh install [dossierMysql] frwiki</nowiki>
-
* décompresser le fichier ''[rep depôt dbpedia]/bstractExtraction/mw-modified.tar.gz'' dans un répertoire accessible par le serveur web.
+
Un fichier [dossierMysql]/mysql.sock doit avoir été créé.
-
* TODO: vérifier les droits d'accès aux fichiers
+
Pour arrêter la base de données :
-
* TODO: Ajuster les paramètres de Localhost.php
+
<nowiki>[dépôtDBpedia]/dump/src/main/bash/mysql.sh stop [dossierMysql] frwiki</nowiki>
 +
Idem Pour la relancer, en remplaçant ''stop'' par ''start''.
 +
'''Rq''' : Sous Ubuntu il a fallu modifier la configuration de apparmor pour autoriser la création d'une bd mysql dans le répertoire choisi.
-
==== Chargement des données dans le wiki ====
+
Il faut configurer le mediawiki pour accéder à cette base de données, modifier la valeur de ''$wgDBserver'' dans le fichier ''[RacineMediawiki/LocalSettings.php'' :
 +
<nowiki>$wgDBserver = ":[dossierMysql]/mysql.sock"</nowiki>
-
* Charger les outils fournis par DBpedia (peu importe le répertoire)
 
-
<nowiki>hg clone http://dbpedia.hg.sourceforge.net:8000/hgroot/dbpedia/dbpedia</nowiki>
 
-
* Télécharger les fichiers suivants dans un répertoire ''[racine dumps]/frwiki/[YYYYMMDD]/'' et les décompresser :
 
-
** ''frwiki-[YYYYMMDD]-pages-articles.xml.bz2''
 
-
** ''frwiki-[YYYYMMDD]-categorylinks.sql.gz''
 
-
** ''frwiki-[YYYYMMDD]-imagelinks.sql.gz''
 
-
** ''frwiki-[YYYYMMDD]-image.sql.gz''
 
-
** ''frwiki-[YYYYMMDD]-langlinks.sql.gz''
 
-
** ''frwiki-[YYYYMMDD]-templatelinks.sql.gz''
 
-
Ces fichiers se trouvent à l'adresse ''http://dumps.wikimedia.org/frwiki/[YYYYMMDD] où [YYYYMMDD]'' représente une date, p.ex. 20120917 représente le 17 septembre 2012.
 
-
*Pour initialiser les tables de la base de données de Wikimédia, il faut aussi télécharger le fichier ''http://svn.wikimedia.org/svnroot/mediawiki/trunk/phase3/maintenance/tables.sql'' dans ''[racine dumps]''.
 
-
TODO: expliquer l'utilisation de ''clean.sh'' et ''import.sh''
+
===== Charger les modèles de Wikipedia dans la base de données =====
-
<nowiki>$ ./clean.sh [racine dumps] fr</nowiki>
+
-
<nowiki>$ ./import.sh '[repertoire racine dumps]' ''
+
-
'user=[compteMysql]&password=[mdpCompteMysql]'
+
-
'--user=[compteMysql] --password=[mdpCompteMysql]' '[BDMysql]' 'fr'</nowiki>
+
 +
Un programme scala extrait les modèles du dump XML de Wikipedia et les insère dans la base de données.
-
'''Remarque''': Pour obtenir du texte à partir du code wiki des articles de wikipédia, l'extracteur interroge le parseur de mediawiki. Il n'est pas nécessaire que l'article lui-même soit chargé dans le mediawiki interrogé. En revanche si des modèles sont utilisés, il est nécessaire que les pages modèles correspondantes aient été chargées pour que le mediawiki puisse générer leur rendu.  
+
On note ''[racineDumps Wikipedia]'' le dossier racine des dumps Wikipedia. Les dumps sont organisés selon la structure de wikimedia : Ils se trouvent dans un sous-répertoire ''frwiki/[AAAAMMJJ]'' où ''[AAAAMMJJ]'' correspond à la date du dump, le dump lui-même a pour nom ''frwiki-[AAAAMMJJ]-pages-articles.xml.bz2''.
-
&Aacute; vérifier, mais à priori, il suffit juste de charger les pages de modèles (pages dont le titre commence par ''Modèle:'', ''Template:'' en anglais) dans le wiki pour que l'extraction des abstracts fonctionne.
+
* modifier le fichier ''[RacineMediawiki]/maintenance/tables.sql'' pour remplacer ''ENGINE=MyISAM'' par
-
Pour cela substituer le fichier ''frwiki-[YYYYMMDD]-pages-articles.xml'' par le résultat de l'extraction des page modèles à l'aide de [[Outil:WPDumpExtraction]]:
+
ENGINE=MyISAM COLLATE='utf8_general_ci';
-
  <nowiki>$ mv frwiki-[YYYYMMDD]-pages-articles.xml /
+
* modifier les paramètres du ''launcher'' ''import'' dans le fichier ''[dépôtDBpedia]/dump/pom.xml'':
-
frwiki-[YYYYMMDD]-pages-articles-complete.xml
+
  <nowiki><launcher>
-
$./WPDumpExtraction.pl "<title>Modèle:" 0 0 /
+
    <id>import</id>
-
frwiki-[YYYYMMDD]-pages-articles-complete.xml > frwiki-[YYYYMMDD]-pages-articles.xml
+
    <mainClass>org.dbpedia.extraction.dump.sql.Import</mainClass>
-
</nowiki>
+
    <jvmArgs>
 +
        <jvmArg>-server</jvmArg>
 +
    </jvmArgs>
 +
    <args>
 +
        <arg>[racineDumps Wikipedia]</arg>
 +
        <arg>[RacineMediawiki]/maintenance/tables.sql</arg>
 +
        <arg>jdbc:mysql://localhost/?characterEncoding=UTF-8</arg>
 +
        <arg>false</arg><!-- require-download-complete -->
 +
        <arg>pages-articles.xml.bz2</arg><!-- file name: pages-articles.xml{,.bz2,.gz} -->
 +
        <arg>fr</arg><!-- languages and article count ranges, comma-separated -->
 +
    </args>
 +
</launcher></nowiki>
 +
* lancer l'import, depuis ''[dépôtDBpedia]/dump'':
 +
mvn scala:run -Dlauncher=import

Version actuelle en date du 27 septembre 2013 à 14:42

Génère deux triplets par articles correspondant à un résumé court et un résumé long de l'article.


Sommaire

Triplets générés

short_abstract_fr.nt
dbr:[NomPage] rdfs:comment texte
long_abstract_fr.nt
dbr:[NomPage] dbpedia-owl:abstract texte


Produire les résumés

Pour fonctionner cet extracteur doit interroger l'API mediawiki d'une image de wikipédia. De par le nombre d'appels à l'API (une par article), il n'est pas possible d'interroger l'API de http://fr.wikipédia.org, il faut installer une version locale.

En pratique, seuls les résumés en français sont obtenus à l'aide de cet extracteur, les résumés dans d'autres langues sont importés de DBpedia.org.


Extraire les résumés en français

Les explications de cette section sont tirées de https://github.com/dbpedia/extraction-framework/wiki/Dbpedia-Abstract-Extraction-step-by-step-guide


Mise en place du miroir de wikipedia en français

Il faut installer mediawiki avec la configuration particulière pour DBpedia (ne pas faire l'installation de mediawiki par l'interface web). Dans la suite, [dépôtDBpedia] désigne le répertoire où a été téléchargé le dépôt git de DBpedia.


Installer les dépendances de mediawiki
  • serveur web apache2 (parfois appelé httpd).
  • mysql-serveur
  • php, php-xml (parfois déjà inclus dans le package php) et php-acl (parfois appelé php-pecl-acl).


Installer mediawiki
  • Téléchargez la dernière version de mediawiki dans un répertoire accessible par apache (groupe apache ou www-data, le plus simple est de le rendre accessible à tous).:
git clone https://gerrit.wikimedia.org/r/p/mediawiki/core.git .

Dans la suite on note [RacineMediawiki] le répertoire d'installation de mediawiki

  • Copier le contenu du répertoire [dépôtDBpedia]/dump/src/main/mediawiki/ dans [RacineMediawiki].
  • Installer les extensions listées à la fin du fichier [RacineMediawiki]/LocalSettings.php, depuis le répertoire [RacineMediawiki]/extensions:
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/Babel.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/CategoryTree.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/CharInsert.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/Cite.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/ExpandTemplates.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/ImageMap.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/InputBox.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/Interwiki.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/Math.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/OggHandler.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/ParserFunctions.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/Poem.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/StringFunctionsEscaped.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/SyntaxHighlight_GeSHi.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/timeline.git; \
git clone https://gerrit.wikimedia.org/r/p/mediawiki/extensions/wikihiero.git


Configurer le serveur apache

Faire correspondre l'adresse /mediawiki au dossier [RacineMediawiki], pour cela ajouter les lignes au fichier de configuration de apache (selon la configuration /etc/apache2/apache2.conf ou /etc/httpd/conf/httpd.conf), voir dans un <VirtualHost>:

Alias /mediawiki [RacineMediawiki]
<Directory /mediawiki>
   Allow from all
</Directory>

puis raffraîchir la configuration du serveur apache :

sudo service httpd reload

En tappant l'adresse http://localhost/mediawiki?uselang=fr dans un navigateur, vous devez obtenir une page qui contient le message : "Sorry! This site is experiencing technical difficulties", c'est parce qu'il faut encore mettre en place la base de données.


Installer la base de données pour mediawiki

Un script permet de créer une base de données pour mediawiki et d'y charger les modèles depuis le dump XML de wikipedia.

  • La base de données est crée dans un répertoire propre avec des options particulières, il faut donc stopper le serveur mysql s'il tourne déjà:
sudo service mysqld stop
  • Créer un répertoire [dossierMysql] où sera crée la base de données MySQL.
  • Suivant l'installation de MySQL, les exécutables ne sont pas au même endroit, modifier le fichier [dépôtDBpedia]/dump/src/main/bash/mysql.sh afin de corriger l'appel aux eécutables de mysql (en tenant compte de la variable d'environnement $MYSQL_HOME).(TODO: simplifier ça en ajoutant tout dans $PATH). Puis lancer la création de la base de données :
[dépôtDBpedia]/dump/src/main/bash/mysql.sh install [dossierMysql] frwiki

Un fichier [dossierMysql]/mysql.sock doit avoir été créé. Pour arrêter la base de données :

[dépôtDBpedia]/dump/src/main/bash/mysql.sh stop [dossierMysql] frwiki

Idem Pour la relancer, en remplaçant stop par start.

Rq : Sous Ubuntu il a fallu modifier la configuration de apparmor pour autoriser la création d'une bd mysql dans le répertoire choisi.

Il faut configurer le mediawiki pour accéder à cette base de données, modifier la valeur de $wgDBserver dans le fichier [RacineMediawiki/LocalSettings.php :

$wgDBserver = ":[dossierMysql]/mysql.sock"


Charger les modèles de Wikipedia dans la base de données

Un programme scala extrait les modèles du dump XML de Wikipedia et les insère dans la base de données.

On note [racineDumps Wikipedia] le dossier racine des dumps Wikipedia. Les dumps sont organisés selon la structure de wikimedia : Ils se trouvent dans un sous-répertoire frwiki/[AAAAMMJJ][AAAAMMJJ] correspond à la date du dump, le dump lui-même a pour nom frwiki-[AAAAMMJJ]-pages-articles.xml.bz2.

  • modifier le fichier [RacineMediawiki]/maintenance/tables.sql pour remplacer ENGINE=MyISAM par
ENGINE=MyISAM COLLATE='utf8_general_ci';
  • modifier les paramètres du launcher import dans le fichier [dépôtDBpedia]/dump/pom.xml:
<launcher>
    <id>import</id>
    <mainClass>org.dbpedia.extraction.dump.sql.Import</mainClass>
    <jvmArgs>
        <jvmArg>-server</jvmArg>
    </jvmArgs>
    <args>
        <arg>[racineDumps Wikipedia]</arg>
        <arg>[RacineMediawiki]/maintenance/tables.sql</arg>
        <arg>jdbc:mysql://localhost/?characterEncoding=UTF-8</arg>
        <arg>false</arg><!-- require-download-complete -->
        <arg>pages-articles.xml.bz2</arg><!-- file name: pages-articles.xml{,.bz2,.gz} -->
        <arg>fr</arg><!-- languages and article count ranges, comma-separated -->
    </args>
</launcher>
  • lancer l'import, depuis [dépôtDBpedia]/dump:
mvn scala:run -Dlauncher=import


Importer les résumés d'autres langues

DBpedia.org contient les résumés dans de nombreuses langues, Ces résumés sont associés aux ressources de DBpedia.org mais on peut les importer modulo les liens d'équivalence avec les ressources de DBpedia en français. Pour importer les résumés d'une langue dont le code est [xx] (eg. fr pour le français, de pour l'allemand ...).


Préparer les liens owl:sameAs fr-en

Deux possibilités !

  • Utiliser le fichier frwiki-[AAAAMMJJ]-interlanguage-links.ttl.gz généré lors de l'extraction. Attention, les adresses des ressources de DBpedia.org doivent être dans le même format que pour les dumps de résumés que l'on va télécharger. A priori, il faut donc que les ressources de DBpedia fr soient identifiées par des URIs et celles de DBpedia en par des URIs.
$ gunzip -c frwiki-[AAAAMMJJ]-interlanguage-links.ttl.gz | grep "http://dbpedia" > same_as_fr_en.nt
  • Importer ces liens depuis DBpedia.org :
$ wget http://downloads.dbpedia.org/current/fr/interlanguage_links_same_as_fr.nt.bz2
$ bzcat interlanguage_links_same_as_fr.nt.bz2 | grep "http://dbpedia" > same_as_fr_en.nt


Ensuite trier le résultat selon les ressources de DBpedia en :

$ export LC_ALL=C (sinon les '_' sont ignorés lors du tri)
$ grep -v "^#" same_as_fr_en.nt | sort -k 3 > same_as_fr_en_sorted.nt


Préparer les résumés de la langue voulue

  • Importer les résumés associés aux ressources DBpedia.org :
$ wget http://downloads.dbpedia.org/current/[xx]/long_abstracts_en_uris_[xx].nt.bz2
$ wget http://downloads.dbpedia.org/current/[xx]/short_abstracts_en_uris_[xx].nt.bz2
  • Les trier selon les ressources de DBpedia en:
 $ export LC_ALL=C (sinon les '_' sont ignorés lors du tri)
 $ bzcat long_abstracts_en_uris_[xx].nt.bz2 | grep -v "^#" | \
sort -k 1 > long_abstracts_en_uris_[xx]_sorted.nt
 $ bzcat short_abstracts_en_uris_[xx].nt.bz2 | grep -v "^#" | \
sort -k 1 > short_abstracts_en_uris_[xx]_sorted.nt


Transposer les résumés aux ressources de DBpedia fr

 $ join -13 -21 same_as_fr_en_sorted.nt long_abstracts_en_uris_[xx]_sorted.nt | \
sed "s/^<[^>]*> \(<[^>]*>\) <[^>]*> ./\1/" > long_abstracts_fr_iris_[xx].nt
 $ join -13 -21 same_as_fr_en_sorted.nt short_abstracts_en_uris_[xx]_sorted.nt | \
sed "s/^<[^>]*> \(<[^>]*>\) <[^>]*> ./\1/" > short_abstracts_fr_iris_[xx].nt
  • Dernière modification de cette page le 27 septembre 2013 à 14:42.
  • Cette page a été consultée 7 725 fois.