some updates
This commit is contained in:
parent
5dc1b8825a
commit
e599740ac9
1
.gitignore
vendored
1
.gitignore
vendored
|
@ -1 +1,2 @@
|
||||||
*.egg-info/
|
*.egg-info/
|
||||||
|
*/__pycache__/
|
||||||
|
|
|
@ -3,6 +3,8 @@ from corpusparser import Parser
|
||||||
import argparse
|
import argparse
|
||||||
import logging
|
import logging
|
||||||
import json
|
import json
|
||||||
|
from pymongo import MongoClient
|
||||||
|
import sys
|
||||||
|
|
||||||
logging.basicConfig(level=logging.INFO)
|
logging.basicConfig(level=logging.INFO)
|
||||||
logger = logging.getLogger(__name__)
|
logger = logging.getLogger(__name__)
|
||||||
|
@ -54,11 +56,23 @@ def kres_to_json_files(sentence_generator, outfolder):
|
||||||
outfile_buffer += [sdata]
|
outfile_buffer += [sdata]
|
||||||
write_buffer_to_file(current_outfile, outfile_buffer)
|
write_buffer_to_file(current_outfile, outfile_buffer)
|
||||||
|
|
||||||
|
def data_to_valdb(sentence_generator, dbaddr, username, password, collection_name):
|
||||||
|
logger.info("Connecting to: {}".format(dbaddr))
|
||||||
|
client = MongoClient(
|
||||||
|
"mongodb://{}".format(dbaddr),
|
||||||
|
username=username,
|
||||||
|
password=password,
|
||||||
|
authSource="valdb",
|
||||||
|
authMechanism='SCRAM-SHA-256'
|
||||||
|
)
|
||||||
|
valdb = client.valdb
|
||||||
|
logger.info("Writing data to {}.".format(collection_name))
|
||||||
|
col = valdb[collection_name]
|
||||||
|
for s in sentence_generator:
|
||||||
|
sdata = s[1]
|
||||||
|
col.insert_one(sdata)
|
||||||
|
|
||||||
|
|
||||||
def to_db():
|
|
||||||
return "TODO"
|
|
||||||
|
|
||||||
if __name__ == "__main__":
|
if __name__ == "__main__":
|
||||||
parser = argparse.ArgumentParser(description="Parsing corpora kres and ssj500k.")
|
parser = argparse.ArgumentParser(description="Parsing corpora kres and ssj500k.")
|
||||||
parser.add_argument('--kres-folder', required=True)
|
parser.add_argument('--kres-folder', required=True)
|
||||||
|
@ -67,36 +81,44 @@ if __name__ == "__main__":
|
||||||
parser.add_argument('--output', required=False, default=None)
|
parser.add_argument('--output', required=False, default=None)
|
||||||
parser.add_argument('--outdir', required=False, default=None)
|
parser.add_argument('--outdir', required=False, default=None)
|
||||||
parser.add_argument('--dbaddr', required=False, default=None)
|
parser.add_argument('--dbaddr', required=False, default=None)
|
||||||
|
parser.add_argument('--dbuser', required=False, default=None)
|
||||||
|
parser.add_argument('--dbpass', required=False, default=None)
|
||||||
args = parser.parse_args()
|
args = parser.parse_args()
|
||||||
|
|
||||||
|
|
||||||
# parse ssj
|
# parse ssj
|
||||||
logger.info("Parsing ssj500k: {}".format(args.ssj_file))
|
logger.info("Parsing ssj500k: {}".format(args.ssj_file))
|
||||||
ssj_parser = Parser(
|
ssj_parser = Parser(
|
||||||
corpus="ssj",
|
corpus="ssj",
|
||||||
infiles=[args.ssj_file],
|
infiles=[args.ssj_file],
|
||||||
)
|
)
|
||||||
# res = [x[1]["sid"] for x in ssj_parser.sentence_generator()]
|
|
||||||
# logger.info("Parsed {} sentences (ssj500k)".format(len(res)))
|
|
||||||
|
|
||||||
# ssj to json
|
# ssj to json
|
||||||
|
if args.output == "file":
|
||||||
ssj_to_json_file(ssj_parser.sentence_generator(), args.outdir)
|
ssj_to_json_file(ssj_parser.sentence_generator(), args.outdir)
|
||||||
|
elif args.output == "db":
|
||||||
|
data_to_valdb(
|
||||||
|
ssj_parser.sentence_generator(),
|
||||||
|
args.dbaddr,
|
||||||
|
args.dbuser,
|
||||||
|
args.dbpass,
|
||||||
|
collection_name="ssj"
|
||||||
|
)
|
||||||
|
|
||||||
|
sys.exit()
|
||||||
# parse kres
|
# parse kres
|
||||||
logger.info("Parsing Kres: {}".format(args.ssj_file))
|
logger.info("Parsing Kres: {}".format(args.ssj_file))
|
||||||
kres_parser = Parser(
|
kres_parser = Parser(
|
||||||
corpus="kres",
|
corpus="kres",
|
||||||
infiles=[args.kres_folder, args.kres_srl_folder],
|
infiles=[args.kres_folder, args.kres_srl_folder],
|
||||||
)
|
)
|
||||||
# res = [x[1]["sid"] for x in kres_parser.sentence_generator()]
|
|
||||||
# logger.info("Parsed {} sentences (kres)".format(len(res)))
|
|
||||||
|
|
||||||
# kres to json
|
# kres to json
|
||||||
|
if args.output == "file":
|
||||||
kres_to_json_files(kres_parser.sentence_generator(), args.outdir)
|
kres_to_json_files(kres_parser.sentence_generator(), args.outdir)
|
||||||
|
elif args.output == "db":
|
||||||
|
data_to_valdb(
|
||||||
## Handling output is situational --- implement it outside of Parser.
|
ssj_parser.sentence_generator(),
|
||||||
## Parser returns tuples (orig_file, element)
|
args.dbaddr,
|
||||||
# 1. parse per-file and output to file (JSON)
|
args.dbuser,
|
||||||
# 2. parse and save to DB
|
args.dbpass,
|
||||||
|
collection_name="kres"
|
||||||
# TODO
|
)
|
||||||
|
|
|
@ -10,6 +10,7 @@ sshfs
|
||||||
RUN pip3 install \
|
RUN pip3 install \
|
||||||
lxml \
|
lxml \
|
||||||
argparse \
|
argparse \
|
||||||
pathlib
|
pathlib \
|
||||||
|
pymongo
|
||||||
|
|
||||||
ENV PYTHONIOENCODING UTF-8
|
ENV PYTHONIOENCODING UTF-8
|
||||||
|
|
Loading…
Reference in New Issue
Block a user