Foro - Perl en Español

Dado el texto anterior, con el siguiente programa


la salida es:

Código: Seleccionar todo

ALONSO: Introducción : 2
ALONSO: Desarrollo : 1
ALONSO: Conclusión : 1
FERRARI: Introducción : 2
FERRARI: Desarrollo : 2
FERRARI: Conclusión : 1

Algunas explicaciones:

• En la primera línea activamos los avisos (-w) y los finales de línea automáticos (-l) -somos muy vagos-.
• De la línea 6 a la 9 leemos el fichero de texto. Usamos un par de detalles fuera de lo común.
• Primero, localizamos la variable especial $/ en un contexto propio (el marcado por las llaves de las líneas 5 y 10), de tal forma que solo tendrá el valor que le hemos indicado en la línea 6 durante ese contexto, y que recuperará su valor original al final del contexto. Esto es necesario porque luego queremos leer desde la sección DATA de forma normal -una línea de texto en cada lectura-.
• Y segundo: la misma variable $/ es la define cómo son los separadores o delimitadores de registro en el momento de leer de ficheros externos. Si lo definimos como '<s>' le estamos diciendo que cada vez que le pidamos un 'registro' al fichero -en una operación de lectura- nos tiene que devolver todo lo que se encuentre rodeado por esos caracteres. En nuestro ejemplo, la sección número 2 tiene este aspecto:
  

  Código: Seleccionar todo

  2. Desarrollo</s>
La FIA asegura que tanto Alonso como De la Rosa "sabían que esta información
de Ferrari era confidencial" y que fue (Nigel) Stepney, ex ingeniero de
Ferrari, quien se la facilitó a Mike Coughlan, ex jefe de diseño de McLaren.

La FIA afirma en sus explicaciones que "el 21 de marzo de 2007, a las 9:57,
el señor De la Rosa escribió a Coughlan en los siguientes términos: 'Hola
Mike: ¿Sabes cuál es el reparto de pesos de los coches rojos? Sería
importante para nosotros saberlo para que podamos probar en el simulador.
Gracias de antemano. Pedro. Posdata: Estaré mañana en el simulador'".

<s>

  Como ves, de una manera muy sencilla leemos cada sección de forma separada.
• En la línea 8 leemos todas las secciones de golpe, cada una en un elemento de un array
• Luego está el bucle por todos los $terminos_a_buscar
• Y por cada $termino_a_buscar, miramos en cada $seccion para todas las @secciones
• En la línea 18 hay algo especial: una expresión regular que desechará aquellas secciones que no nos interesan -el encabezado con el titular-, y, al mismo tiempo y gracias a los paréntesis de captura, sabremos el nombre de la sección. Aquí hay que destacar un detalle: como las secciones tienen caracteres 'especiales' -los acentos- necesitamos que \w+ también los capture. Por eso, en la línea 3 le decimos a Perl que en las operaciones de cadenas de caracteres y expresiones regulares use la codificación local de caracteres -de nuestro sistema-. El $nombre_de_la_seccion lo guardaremos en la línea siguiente.
• Y la línea 22. Aquí hay mucha tela que cortar. Lo que hace es: busca en la $seccion el $termino_a_buscar, sin importar las mayúsculas y minúsculas (/i), en un texto que tiene varias líneas (/ms) y todas las veces posibles (/g). Esta expresión regular la ejecutamos en contexto lista, con la ayuda de un par de paréntesis. Perl obtiene todos los términos encontrados y los mete como una lista de valores dentro de ese par de paréntesis... con lo que entonces... se pierden... -no hay variables esperando a esos valores-, PERO lo que nos importa solamente es CUÁNTOS han sido, por eso, a continuación, la lista de valores del par de paréntesis es ejecutado en contexto escalar -con la presencia de la variable escalar primera de la línea- y es justo lo que queremos: el $numero_de_veces que aparece el término en la sección.
  Esta línea hace 'lo mismo' que estas otras:
  
  Sintáxis: [ Descargar ] [ Ocultar ]

  Sintáxis: [ Descargar ] [ Mostrar ]

  Using perl Syntax Highlighting

          $numero_de_veces = 0;
          while ( $seccion =~ /$termino_a_buscar/misg ) {
              $numero_de_veces++;
          }

  Coloreado en 0.001 segundos, usando GeSHi 1.0.8.4
  Sin duda, esta es la línea que marca la diferencia entre Perl y todo lo demás.
• Solo resta pintar lo encontrado.

Decir que todo esto es posible porque el texto de partida tiene un formato regular (secciones con separadores/marcadores claros y colocados de forma regular).

1. El contexto ({}) garantiza que $/ no afectará al resto de ficheros abiertos del programa.

2. No, no hay una forma fácil. Tendrás que leer todo el texto, sacar todas las palabras y meterlas en un array. Luego, la longitud del array nos dirá el $numero_total_de_palabras y de ahí podremos dividirlo en 5 partes.

jorcaes escribiste:Tengo que adaptar el anterior código para que las secciones se ajusten a un quinto del total de palabras del texto. Tengo el $numero_total_de_palabras, pero no sé cómo generar la división de las secciones.

Si lo entiendo... que por un lado necesitamos saber el $numero_total_de_palabras, y, como hay cinco secciones, hacer que cada sección tenga como máximo un quinto de esas palabras. No hay problema con las secciones que tengan más de un quinto del total, pero, ¿qué hacemos con las secciones que tengan menos palabras?.

Un ejemplo. En un texto hay 500 palabras, que se reparten en las 5 secciones así: 100, 150, 50, 180 y 20. ¿Qué hacemos?

Si, suponemos, que no nos importan las secciones que tienen menos de 100 palabras, entonces las secciones quedan así: 100, 100, 50, 100 y 20. ¿Es correcto?

jorcaes escribiste:Tengo el siguiente código:

$#palabras; no es el número de palabras. Es el número del índice del último valor del array @palabras. Si @palabras tiene 20 elementos, $#palabras vale 19.

Es mejor que escribas la línea así: $numero_total_de_palabras = @palabras; . Un array en contexto escalar devuelve el número de sus elementos.

jorcaes escribiste:

Sintáxis: [ Descargar ] [ Ocultar ]

Sintáxis: [ Descargar ] [ Mostrar ]

Using perl Syntax Highlighting

               #supongo que AQUÍ se deberá hacer la división entre las cinco secciones y almacenarlas en $secciones[0] - $secciones[4]
                local $/ = '<s>';
                open TEXTO, $fichero;
                @secciones = <TEXTO>;
                close TEXTO;

Coloreado en 0.001 segundos, usando GeSHi 1.0.8.4

En este momento tienes las secciones leídas. Debes recorrerlas. En cada una, sacar las palabras y meterlas en un array. Y luego limitar a un máximo de un quinto del total.

Todo este trabajo de leer el fichero, que realmente lo haces dos veces, se podría hacer solo una: leer las secciones y sacando sus palabras, guardarlas en una estructura de un array de arrays:

Así, solo es necesario leer el $fichero una vez (todo a memoria, en esa estructura). Es fácil saber el número total de palabras (sumando las palabras de todas las secciones). Ajustar a un quinto cada conjunto de palabras se puede hacer con splice(). Recorrer y probar la búsqueda de keywords es hacer un doble bucle (por sección y por cada palabra de sección). La expresión regular cambia y en vez de decirnos el $numero_de_veces, nos vale si coincide o no con la palabra buscada. En cada coincidencia, sumamos uno en otra 'matriz' de datos (puede ser escribir el resultado directamente en el Excel o en otro array de arrays).

jorcaes escribiste:

Sintáxis: [ Descargar ] [ Ocultar ]

Sintáxis: [ Descargar ] [ Mostrar ]

Using perl Syntax Highlighting

seek DATA, $data_pos ,0;

Coloreado en 0.001 segundos, usando GeSHi 1.0.8.4

En lugar de leer de DATA constantemente, es mucho mejor leer las keywords una sola vez, al principio del programa, y meterlas en un array, por ejemplo, @keywords.

No sé si te he liado más... solo he intentado simplificar la solución al máximo. Además, como estamos con Perl, son perfectamente válidas cualquiera de las otras 9 posibles soluciones...