import spacy from spacy import displacy import nltk from nltk.corpus import stopwords from nltk.stem.snowball import SnowballStemmer import datetime import pandas as pd import numpy as np import pymongo from pymongo import MongoClient from collections import Counter import ela_spacy_common as lsc import prj_common as mycommon from unidecode import unidecode import inspect import sys, os from autocorrect import Speller CONNECTION_STRING = "mongodb://localhost/cherifdb" ## Gle Variables stemmer = SnowballStemmer(language='french') nlp = spacy.load("fr_core_news_sm") token_fr_pontuation = [] #assign the default stopwords list to a variable STOP_WORDS = spacy.lang.fr.stop_words.STOP_WORDS stopWords = set(stopwords.words('french')) sentence = "Bouygues a eu une coupure de réseau à Marseille chez ses clients marseillais et son couteau" lsc.update_stopWords(stopWords) #print(type(stopWords)) lsc.update_token_fr_pontuation(token_fr_pontuation) spell_fr = Speller(lang='fr') #print("token_fr_pontuation") #print(token_fr_pontuation) ''' initialisation ''' def init_ch(): stemmer = SnowballStemmer(language='french') nlp = spacy.load("fr_core_news_sm") token_fr_pontuation = [] # assign the default stopwords list to a variable STOP_WORDS = spacy.lang.fr.stop_words.STOP_WORDS stopWords = set(stopwords.words('french')) sentence = "Bouygues a eu une coupure de réseau à Marseille chez ses clients marseillais et son couteau" lsc.update_stopWords(stopWords) # print(type(stopWords)) lsc.update_token_fr_pontuation(token_fr_pontuation) ''' 1. Tokenisation La tokenisation cherche à transformer un texte en une série de tokens individuels. Egalement il supprime les mots avec des accents (à, é, etc) :return a tab ''' def Ela_Normalize(sentence): sentence = str(sentence).replace(",", " ") sentence = str(sentence).replace(";", " ") sentence = str(sentence).replace(".", " ") sentence = str(sentence).replace("'", " ") return sentence ''' Cette fonction prend un mot et retourne sa correction orthographique ne français ''' def correct_fr_word(word): try: print(" Fonction : correct_fr_word : '"+word+"' =======> "+spell_fr(word)) return spell_fr(word) except Exception as e: exc_type, exc_obj, exc_tb = sys.exc_info() mycommon.myprint(str(inspect.stack()[0][3]) + " -" + str(e) + " - Line : " + str(exc_tb.tb_lineno)) return False ''' Suppression des ponctuations ''' def Ela_remove_ponct(list): for tmp in token_fr_pontuation: while tmp in list: list.remove(tmp) return list ''' Cette fonction supprimer les parasite des listes comme " ", "]", " ", etc ''' def Ela_Remove_Noise_from_list(list): while ' ' in list: list.remove(' ') while '[' in list: list.remove('[') while ']' in list: list.remove(']') while '\\n' in list: list.remove('\\n') while ' ' in list: list.remove(' ') while '"' in list: list.remove('"') while ' ' in list: list.remove(' ') while ' ' in list: list.remove(' ') return list def Ela_Tokenize(sentence): # Tokeniser la phrase try: print(" Tokenaisee de du mot "+str(sentence)) sentence = Ela_Normalize(sentence) doc = nlp(str(sentence).lower()) print(" doc " + str(doc)) for val in doc: print(" VAL = "+str(val.text)+" unidecode(X.text) = "+str(unidecode(val.text)) ) # Retourner le texte de chaque token return [unidecode(X.text) for X in doc] except Exception as e: exc_type, exc_obj, exc_tb = sys.exc_info() mycommon.myprint(str(inspect.stack()[0][3]) + " -" + str(e)+" - Line : "+ str(exc_tb.tb_lineno) ) return False, " Impossible de recuperer la formation" ''' 2. Enlever les mots les plus fréquents Certains mots se retrouvent très fréquemment dans la langue française. En anglais, on les appelle les “stop words”. Ces mots, bien souvent, n’apportent pas d’information dans les tâches suivantes. exemple : {'ai', 'aie', 'aient', 'aies', 'ait', 'as', etc} :return a tab :input : Tab of tokens ''' def Ela_remove_stop_words(tab_tokens): clean_words = [] for token in tab_tokens: if token not in stopWords: clean_words.append(token) return clean_words ''' 3.- Suppression des : ADP : adposition, DET : déterminant, CCONJ : coordination conjonction La liste est la suivante: ADJ : adjectif, ADP : adposition, ADV : adverbe, AUX : verbe auxiliaire, CONJ : coordination conjonction, DET : déterminant INTJ : interjection, NOUN : nom, NUM : chiffre, PART : particule, PRON : pronom, PROPN : nom propre, PUNCT : ponctuation SCONJ : conjonction subordonnée, SYM : symbole, VERB : verbe, X : autre ''' def Ela_remove_pronoun(tab_tokens): mywords = [] for token in tab_tokens: mytok = nlp(str(token).lower()) for token2 in mytok: if token2.pos_ != 'DET' and token2.pos_ != 'CCONJ' and token2.pos_ != 'ADP': mywords.append(mytok) return mywords ''' # 4. Stemming Le stemming consiste à réduire un mot dans sa forme “racine”. Le but du stemming est de regrouper de nombreuses variantes d’un mot comme un seul et même mot. Par exemple, une fois que l’on applique un stemming sur “Chiens” ou “Chien”, le mot résultant est le même. important : seuls les mots français sont stemmizé. les autres non. ''' def Ela_stemmize(tab_tokens): try: tab_ret_val = [] print(" VERIFICATION SI LE MOT EST FR : " + str(tab_tokens)) for mot in tab_tokens: if( mycommon.check_word_in_fr_dict(str(mot)) ): tab_ret_val.append(stemmer.stem(mot)) else: tab_ret_val.append(mot) print(" STMISATION TAB = "+str(tab_ret_val)) return tab_ret_val except Exception as e: exc_type, exc_obj, exc_tb = sys.exc_info() mycommon.myprint(str(inspect.stack()[0][3]) + " -" + str(e)+" - Line : "+ str(exc_tb.tb_lineno) ) return False, " Impossible de recuperer la formation" #return [stemmer.stem(token.text) for token in tab_tokens] ''' ELA NTLK : cette fonction prends un texte et retour un tableau des mots apres : - Ela_remove_stop_words - Ela_remove_pronoun et - Ela_stemmize ''' def ela_read_file(): with open('ela_test_file_v2.txt', mode="r", encoding="utf-8") as f: lines = f.readlines() tab_tokens = Ela_Tokenize(lines) tab_tokens2 = Ela_remove_stop_words(tab_tokens) tab_tokens3 = Ela_remove_pronoun(tab_tokens2) tab_tokens4 = Ela_stemmize(tab_tokens3) tab_tokens4 = Ela_Remove_Noise_from_list(tab_tokens4) tab_tokens4 = Ela_remove_ponct(tab_tokens4) # Enregistrement dans la base mongodb Ela_list_to_mongo(tab_tokens4, "Tid_33345") size_tab = len(tab_tokens4) print("size_tab = " + str(size_tab)) occurrences = Counter(tab_tokens4) most_common = occurrences.most_common() print(most_common) print(tab_tokens4) my_file = open("ela_output_test_file.txt", "w") my_file.write(str(tab_tokens4)) my_file.write(str("\\n---------- MOST COMMON -------\\n")) my_file.write(str(most_common)) my_file.close() ''' Indexation et enregistrement d'un token IMPORTANT : Pour mutualiser le process entre l'indexation des tous les champs ou l'indexation de uniquement de certain champs ex : indexation du champ 'title' ou du champ 'objectif', je vais introduitre la notion de 'source_fied' pour l'indexation title, 'source_fied' = 'title' pour l'indexation objectif, 'source_fied' = 'objectif' ''' def ela_index_record_field(lines, class_id, source_field = ""): try: ''' ## Suppression de toutes les indexation qui existe de cette formation ''' client = MongoClient(CONNECTION_STRING) dbname = client['cherifdb'] coll_name = dbname['elaindex'] # check default value of parameter : source_field if len(str(source_field)) == 0 : source_field = 'default' myquery = {"id_formation": class_id, "source_field":source_field} delete_row = coll_name.delete_many(myquery) mycommon.myprint(" elaindex - "+str(delete_row.deleted_count)+" documents deleted. Training ==> "+str(class_id)+" ") ''' Ajout des indexe ''' tab_tokens = Ela_Tokenize(lines) tab_tokens2 = Ela_remove_stop_words(tab_tokens) tab_tokens3 = Ela_remove_pronoun(tab_tokens2) tab_tokens4 = Ela_stemmize(tab_tokens3) tab_tokens4 = Ela_Remove_Noise_from_list(tab_tokens4) tab_tokens4 = Ela_remove_ponct(tab_tokens4) # Enregistrement dans la base mongodb Ela_list_to_mongo(tab_tokens4,class_id, source_field) size_tab = len(tab_tokens4) print("size_tab = " + str(size_tab)) occurrences = Counter(tab_tokens4) most_common = occurrences.most_common() print(most_common) return True except Exception as e: mycommon.myprint(e) return False def Ela_ntlk(mysentence, traning_id): tab_tokens = Ela_Tokenize(mysentence) tab_tokens2 = Ela_remove_stop_words(tab_tokens) tab_tokens3 = Ela_remove_pronoun(tab_tokens2) tab_tokens4 = Ela_stemmize(tab_tokens3) print("Ela_ntlk = "+str(tab_tokens4)) ## Utiliser penda pour la manipulation des moyennes, sommes, etc return tab_tokens4.sort() def Ela_list_to_mongo(tab_tokens, traning_id, source_field): try: # clear / truncate elaindex #db.elaindex.remove({}) # Recherche des occurence d'une valeur my_file = open("ela_output_test_file_pandas_2.txt", "w") size_tab = len(tab_tokens) occurrences = Counter(tab_tokens) # insert the list to the set list_set = set(tab_tokens) # convert the set to the list unique_list = (list(list_set)) final_lists = [] for tmp in unique_list: moyenne = round(int(occurrences[str(tmp)]) / size_tab, 2) final_lists.append([str(tmp), str(occurrences[str(tmp)]), str(moyenne), str(traning_id), str(source_field)]) print(final_lists) data = pd.DataFrame(final_lists, columns=('mots', "occurence", 'moyenne', 'id_formation', 'source_field')) my_file.write(str(data)) my_file.close() # Making a Connection with MongoClient client = MongoClient("mongodb://localhost:27017/") # database db = client["cherifdb"] # collection collection = db["elaindex"] data.reset_index(inplace=True) data_dict = data.to_dict("records") print(data_dict) # Insert collection collection.insert_many(data_dict) data.to_csv("data_indexees.csv") return True except Exception as e : mycommon.myprint(e) return False def test_ela_myntlk(): tab = [] tab_tokens = Ela_Tokenize(sentence) tab_tokens2 = Ela_remove_stop_words(tab_tokens) tab_tokens3 = Ela_remove_pronoun(tab_tokens2) tab_tokens4 = Ela_stemmize(tab_tokens3) tab_tokens4.sort() Ela_list_to_mongo(tab_tokens4, 'Tid_3245') exit() ''' my_file = open("ela_output_test_file_pandas.txt", "w") # Recherche des occurence d'une valeur size_tab = len(tab_tokens4) print("size_tab = "+str(size_tab)) occurrences = Counter(tab_tokens4) # insert the list to the set list_set = set(tab_tokens4) # convert the set to the list unique_list = (list(list_set)) final_lists = [] print(" MOT ==> Occurrence ==> Moyenne ") for tmp in unique_list : moyenne = round(int(occurrences[str(tmp)])/size_tab, 2) #print(str(tmp)+" ==> "+str(occurrences[str(tmp)])+" ==> "+str(moyenne)) list_tmp = [tmp, str(occurrences[str(tmp)]), str(moyenne) ] #print(list_tmp) final_lists.append([str(tmp),str(occurrences[str(tmp)]),str(moyenne)]) print(" Finals Liste ") my_file.write("\nWorld\n") print(final_lists) data = pd.DataFrame(final_lists, columns={'mots',"occurence",'moyenne'}) my_file.write(str("\n############ occurrences ############# \n")) my_file.write(str(data)) most_common = occurrences.most_common() print(most_common) my_file.close() '''