Discussion :

[Irilyon]

Salutations à la communauté!

Je m'appelle Maël, étudiant en sciences politiques, et stagiaire pour un projet de recherche en analyse des médias. J'ai pour mission d'extraire les informations de plus de 6000 articles de presse regroupés dans quelque 120 fichiers pdf.

Cela m'oblige à copier-coller toutes les informations nécessaires : titre de l'article, auteur, date, texte principal. Cela prendrait beaucoup de temps de le faire manuellement, environ 100 à 150 heures.

On m'a dit que l'extraction automatisée de données nécessite des points de référence pour indiquer où trouver l'information. En regardant les fichiers, je pense qu'il pourrait être difficile de le coder. Comme je suis un débutant absolu en matière de codage, j'ai besoin de conseils pour savoir si le codage d'une extraction automatisée serait possible et comment le faire.

Voici à quoi ressemble la matière première avec laquelle je travaille :


Merci de m'avoir lu ! Toute aide sera bienvenue

[dourouc05]

Tu as des outils pour extraire automatiquement tout le texte d'un fichier PDF, comme https://pypdf.readthedocs.io/en/stable/. Plus les articles seront rédigés de la même manière, plus ça sera facile de trouver les informations que tu cherches de manière fiable (par exemple : l'auteur signe toujours à la fin ; la date est après les métadonnées, puis vient le titre). Maintenant, ça va prendre beaucoup d'essais et d'erreurs pour y arriver de manière assez fiable — peut-être plus que les 100 à 150 heures que tu estimes pour le faire à la main, si tu n'y connais rien en programmation.