BottinBot1
Résumé des fonctionnalités
En 2019, l’équipe du DHLAB a effectué une extraction de 4 Million d’adresses dans les anciens annuaires de la ville de Paris.
Di Lenardo, I., Barman, R., Descombes, A., Kaplan F. (2019). Repopulating Paris: massive extraction of 4 Million addresses from city directories between 1839 and 1922, Digital Humanities conference DH2019, Utrecht, Pays-Bas, [1]
Ce bot va extraire les données de ces annuaires et créer les pages dans wikipast. Le BottinBot1 que nous avons développé traite les données des années 1839 à 1848 [2]. Il peut bien entendu être utilisé pour traiter d'autres données.
Description technique
Lecture du bottin
On utilise la librairie Pandas pour lire les données dans le fichier CSV qui nous a été accordé et les organiser dans un objet DataFrame.
A première vue, nous avons 390223 entrées dans notre fichier CSV. Celles-ci sont des entrées entre l'année 1839 et 1848.
Nous avons choisi de ne pas prendre les lignes contenant des valeurs NaN, ceci nous a amené à ne traiter que 389599 entrées. Soit une perte de 0.15%
Vérification d'existence
Avant de créer une page nous nous assurons toujours si elle n'existe pas auparavant. Si elle n'existe pas, la page est créée sinon elle est simplement modifiée en rajoutant la donnée au bon endroit chronologiquement.
Tri automatique croissant par date
Les données sont triées par ordre croissant de date, un algorithme (sort_year) s'occupe de réordonner les entrées. L'algorithme consiste à séparer le texte de la page par ligne et de détecter les dates correspondants aux événements déjà existants. Ensuite on parcours la liste d'années pour détecter où l'insertion se fait (ligne précédent l'endroit où l'on veut insérer la donnée). Enfin on ne modifie l'ancien de texte de la page qu'en ajoutant à la ligne précédente détectée la donnée que l'on veut ajouter.
Desambiguation
Lors de la création d'une nouvelle page, une en-tête redirigeant vers une page d'homonymie de nom est crée/modifiée. La page d'homonymie permet de désambiguïser quant aux entrées présentant le même nom mais pas la même adresse ou le même travail par exemple.
Exécution du BottinBot
Stratégies adoptées
Stratégie générale
- Nous avons adopté une approche se basant sur un pré-processing des données pour réduire les erreurs d'orthographes et les erreurs d'OCR.
- Cette approche consiste en définir un seuil de rassemblement pour les chaines de caractères. Si deux chaines sont jugées semblables, la forme qui a apparaît à une fréquence plus élevée dans les données remplace l'autre.
- Vu que les rues ont des noms officiels avec un orthographes fixe, nous avons décidé homogénéiser leur écriture pour éliminer les éventuelles erreurs. Nous avons décidé de commencer par les traiter.
- Ensuite, nous avons adopté une approche "Divide and Conquer" où on homogénéise l'écriture de chaque métier dans la même rue, et ensuite le nom ayant la même rue et le même métier.
- Après plusieurs tests sur des échantillons de nos données nous avons fixés un seuil de 80% pour les rues et les métiers, mais garder un seuil plus stricte de 90% pour les noms vu que c'est une donnée plus sensible.
- A la fin de ce traitement, nous avons une liste de Dataframes, chaque Dataframe représente ce qu'on estime est une personne (même nom, même métier et même rue; tout cela après l'homogénéisation).
- On sauvegarde cette liste dans un fichier Pickle. pour les exécutions ultérieures il suffit de lire ce fichier et passer procéder à traiter la liste en résultant.
- En outre, nous avons éliminé les points dans le champ "number", ainsi que les caractères spéciaux dans les noms.
Stratégie pour les erreurs d'homonymie
Stratégie pour les erreurs d'OCR
Évaluation des performances
Évaluation des performances techniques
Le gros du travail de notre bot est dans le pre-processing, il met environ une heure 25 minutes pour traiter le Dataframe original et le sauvegarder dans le fichier Pickle.
Évaluation du nombre de pages générées et modifiées
Analyse critique
Code
Le code est disponible sur GitHub[3]