Installation des outils d'extraction
De Dbpedia.fr.
Les outils d'extraction sont fournis par dbpedia.org.
Cette page est une fiche récapitulative pour l'installation des outils d'extraction. Elle reprend des éléments de la documentation originale, en anglais.
Sommaire |
Dépendances
- Java jdk (j'ai testé avec la version 1.6)
- Scala (j'ai testé avec la version 2.9.1)
- Maven (j'ai testé avec la version 3.0.3)
- Git, les sources sont hébergées sur https://github.com/dbpedia/extraction-framework
Voir #Installation sur REHL, pour l'installation des dépendances hors gestionnaire de package.
Exécution
Compilation du code
- Charger le code depuis le dépot mercurial
git clone https://github.com/dbpedia/extraction-framework.git
- Exécuter la commande mvn install à partir du répertoire “extraction_Framework”
Configuration
Un exemple de configuration est donnée dans le fichier dump/config.default.properties. Faites une copie config.properties et ajustez les paramètres suivants :
- base-dir : dossier dans lequel se trouvent des dumps (voir #Préparation des données)
- languages=fr pour limiter l'extraction à Wikipedia en français. Rq.: dernièrement cette option ne semblait pas marcher, commenter en plus les entrées extractors.xx pour toutes les langues sauf le français.
- extractors et extractors.fr, ce sont les listes de extracteurs qui seront exécutés. La première liste est pour les extracteurs qui n'ont pas besoin de configuration par langue, la deuxième liste est propre à chaque langue. Tous les extracteurs devraient y être, pour commencer, il faudrai peut-être en enlever certains (en particulier AbstractExtractor).
Préparation des données
- Télécharger les dumps de pages wikipedia et wikimedia commons :
- placer le dump des pages wikipedia dans [base-dir]\fr\[date, ex 20120117]\frwiki-[date]-pages-articles.xml
- placer le dump des pages commons dans [base-dir]\commons\[date]\commonswiki-[date]-pages-articles.xml
Lancer l'extraction
- Exécuter la commande suivante à partir du répertoire dump:
mvn scala:run -Dlauncher=extraction -DaddArgs extraction.properties
Installation sur REHL
Installation de Scala
Pour être générique, le dossier d'installation est noté [REP_INSTALL] dans la suite, par exemple $HOME\Appli\. On suppose que l'écriture dans ce dossier ne nécessite pas de droits particuliers.
- cd [REP_INSTALL].
- Télécharger la dernière version stable de Scala à http://www.scala-lang.org/downloads (dernière version testée 2.9.0, fichier téléchargé scala-2.9.2.tgz).
wget http://www.scala-lang.org/downloads/distrib/files/scala-2.9.2.tgz
- Décompresser dans le répertoire d'installation.
tar -xvf scala-2.9.2.tgz ln -s scala-2.9.2/ scala
- Ajouter ce répertoire dans la variable PATH, ajouter la ligne suivante dans $HOME\.bash_profile :
export PATH=$PATH:[REP_INSTALL]/scala/bin
Exécution des outils d'extraction
La méthode utilisée pour Fedora demande plusieurs librairies pour charger les sources, les compiler et les exécuter avec maven.
Une solution simple pour ne pas avoir à tout réinstaller sur RHEL, consiste à compiler les outils d'extractions sur une autre machine (Fedora) et à les excécuter sur RedHat. Il est juste nécessaire d'avoir installé Java et Scala.
Récupérer les exécutables (sur la machine où sont compilées les sources )
Maven enregistre les exécutables dans le répertoire
~/.m2/repository/[hierarchie de package]/[version].
Pour l'extraction de DBpedia, nous n'avons besoin que des packages dore et dump, la version est donnée dans le fichier pom.xml à la racine du dépôt de DBpedia, dans la balise <version>.
Dans cet exemple, la version est 3.8, les fichiers à récupérer sont alors :
~/.m2/repository/org/dbpedia/extraction/core/3.8/core-3.8.jar ~/.m2/repository/org/dbpedia/extraction/dump/3.8/dump-3.8.jar
Le fichier de configuration de l'extraction extract.properties est aussi nécessaire. Il se trouve dans le répertoire dump du dépôt DBpedia.
Pré-charger l'ontologie et les mappings
Celà peut-être utile en cas d'extractions rapprochées, pour éconolmiser le temps de téléchargement.
charger les mappings:
scala -cp [chemin/vers/core-3.8.jar]:[chemin/vers/dump-3.8.jar] org.dbpedia.extraction.util.MappingsDownloader [répertoire/cible]
Les mappings seront enregistrés dans [répertoire/cible], c'est le répertoire à mettre dans l'entrée mappings de dump/pom.xml.
Exécutions (sous RHEL)
Copier ces trois fichiers dans un répertoire local.
Télécharger les derniers dumps de Wikipédia dans un répertoire de travail (noté [Rep_Dump] dans la suite).
Éditer le fichier extract.properties pour mettre la valeur [Rep_Dump] dans l'entrée dir.
Exécuter la commande suivante dans le répertoire contenant les fichiers .jar et extract.properties :
scala -cp core-3.8.jar:dump-3.8.jar \ org.dbpedia.extraction.dump.extract.Extract extract.properties
Pour avoir de meilleures performances, il vaut mieux augmenter la mémoire allouée à java, avant d'éxécuter la commande précédante :
export JAVA_OPTS='-XMx1024'