import os, json, unicodedata #import those libraries
# SCRIPT WITH OUR PREVIOUS FUNCTIONS
import functions #import our functions page
###########################################################
# VARIABLES ###############################################
###########################################################
settings = functions.loadYmlSettings(
"settings.yml") #load our settings yaml file
###########################################################
# MINI TEMPLATES ##########################################
###########################################################
connectionsTemplate = """
<button class="collapsible">Similar Texts (<i>tf-idf</i> + cosine similarity)</button>
<div class="content">
<ul>
<li>
<b>Sim*</b>: <i>cosine similarity</i>; 1 is a complete match, 0 — nothing similar;
cosine similarity is calculated using <i>tf-idf</i> values of top keywords.</li>
</ul>
</div>
<table id="publications" class="mainList">
<thead>
<tr>
<th>link</th>
<th>Sim*</th>
<th>Author(s), Year, Title, Pages</th>
# NEW LIBRARIES
import pandas as pd
from sklearn.feature_extraction.text import (CountVectorizer, TfidfTransformer)
from sklearn.metrics.pairwise import cosine_similarity
import os, json, re, random
# SCRIPT WITH OUR PREVIOUS FUNCTIONS
import functions
###########################################################
# VARIABLES ###############################################
###########################################################
settings = functions.loadYmlSettings("settings.yml")
###########################################################
# MAIN FUNCTIONS ##########################################
###########################################################
from wordcloud import WordCloud
import matplotlib.pyplot as plt
def generateWordCloud(citeKey, pathToFile):
# aggregate dictionary
data = json.load(open(pathToFile, "r", encoding="UTF8"))
dataNew = {}
for page, pageDic in data.items():
for term, tfIdf in pageDic.items():
if term in dataNew:
import re, os, yaml, json, random
from datetime import datetime
# SCRIPT WITH OUR PREVIOUS FUNCTIONS
import functions
###########################################################
# VARIABLES ###############################################
###########################################################
settings = functions.loadYmlSettings(
"Memex_config.yml"
) #load yaml file and process settings with pre-defined functions
###########################################################
# FUNCTIONS ###############################################
###########################################################
def searchOCRresults(
pathToMemex,
searchString): #function to search Memex for specific keyword(s)
print("SEARCHING FOR: `%s`" %
searchString) #print statement for convenience
files = functions.dicOfRelevantFiles(
pathToMemex, ".json"
) #use pre-defined function to build a dictionary from all the ocred files
results = {} #empty dic
for citationKey, pathToJSON in files.items(
): #loop through the ocred files individually by citekey
import functions
###########################################################
# VARIABLES ###############################################
###########################################################
settingsFile = "./settings.yml"
settings = functions.loadYmlSettings(settingsFile)
bibAll = settings["bib_all"]
memexPath = settings["path_to_memex"]
###########################################################
# PROCESS ALL RECORDS #####################################
###########################################################
def processAllRecords(bibData):
for k, v in bibData.items():
functions.processBibRecord(memexPath, v)
bibData = functions.loadBib(bibAll)
processAllRecords(bibData)
print("Done!")
import pandas as pd # import panda library
from sklearn.feature_extraction.text import (
CountVectorizer, TfidfTransformer
) #import the features from sklearn helping to transform the data
from sklearn.metrics.pairwise import cosine_similarity #cosine_similarity feature from the sklearn
import os, yaml, json, re, sys #import other usual libraries
# SCRIPT WITH OUR PREVIOUS FUNCTIONS
import functions #import our functions
###########################################################
# VARIABLES ###############################################
###########################################################
settings = functions.loadYmlSettings(
"settings.yml") #load our yaml settings file
stopWFile = settings["stopwords"] #determine our stopwords from settingsfile
stopwordsList = open(stopWFile, "r", encoding="utf8").read().split(
"\n"
) ## file with stopwords to get better results #ioends the stppwords, reads and splits
###########################################################
# MAIN FUNCTIONS ##########################################
###########################################################
def filterTfidfDictionary(
dictionary, threshold, lessOrMore
): #define a function for the filtering of the tf-idf-dictionary
dictionaryFilt = {} #create empy dictionary
for item1, citeKeyDist in dictionary.items(
): #loop through the outer dictionary which contains the title of each publication
# NEW LIBRARIES
import pdf2image # extracts images from PDF
import pytesseract # interacts with Tesseract, which extracts text from images
import os, yaml, json, random
# SCRIPT WITH OUR PREVIOUS FUNCTIONS
import functions
###########################################################
# VARIABLES ###############################################
###########################################################
settings = functions.loadYmlSettings(
"settings.yml") #defines and loads our settings yaml file
###########################################################
# MAIN FUNCTIONS ##########################################
###########################################################
# function OCR a PDF, saving each page as an image and
# saving OCR results into a JSON file
def ocrPublication(citationKey, language, pageLimit): #defines a function
# generate and create necessary paths
publPath = functions.generatePublPath(
settings["path_to_memex"],
citationKey) #generates the path to our PDF file
pdfFile = os.path.join(publPath, citationKey +
".pdf") #creates the path to the PDF file
jsonFile = os.path.join(publPath, citationKey +
import re, os, yaml, json, random
from datetime import datetime
# SCRIPT WITH OUR PREVIOUS FUNCTIONS
import functions ## load functions
###########################################################
# VARIABLES ###############################################
###########################################################
settings = functions.loadYmlSettings("settings.yml") ###define settingsfile
###########################################################
# FUNCTIONS ###############################################
###########################################################
def searchOCRresults(pathToMemex, searchString):
print("SEARCHING FOR: `%s`" % searchString)
files = functions.dicOfRelevantFiles(pathToMemex,
".json") ##load all jsonfiles
results = {} ##create empty dictionary
for citationKey, pathToJSON in files.items():
data = json.load(open(
pathToJSON, "r",
encoding="UTF8")) ###changend by adding "r" and encoding="UTF8"
#print(citationKey)
count = 0 # set counter
for pageNumber, pageText in data.items(): ###loop through each json
# NEW LIBRARIES
import pandas as pd
from sklearn.feature_extraction.text import (CountVectorizer, TfidfTransformer)
from sklearn.metrics.pairwise import cosine_similarity
import os, json, re, sys
# SCRIPT WITH OUR PREVIOUS FUNCTIONS
import functions
###########################################################
# VARIABLES ###############################################
###########################################################
settings = functions.loadYmlSettings(
"settings.yml") #load yaml file with important, constant settings
###########################################################
# MAIN FUNCTIONS ##########################################
###########################################################
def filterTfidfDictionary(dictionary, threshold,
lessOrMore): #function with 3 parameters
dictionaryFilt = {} #create dictionary
for item1, citeKeyDist in dictionary.items(
): #loop through dictionary layer 1
dictionaryFilt[item1] = {} #dictionary for filtered items
for item2, value in citeKeyDist.items(
): #loop through dictionary layer 2
if lessOrMore == "less": #if condition "less" for threshold value
import os, json
# SCRIPT WITH OUR PREVIOUS FUNCTIONS
import functions
#############################################################
# VARIABLES #################################################
#############################################################
settings = functions.loadYmlSettings(
"settings.yml") # Function loads yaml settings
#############################################################
# FUNCTIONS #################################################
#############################################################
# Generates an interface for the publication
def generatePublicationInterface(
citeKey, pathToBibFile): # Function generates the HTML pages.
# Uses citeKey and pathToBibFile as 2 arguments
print("=" * 80)
print(citeKey)
jsonFile = pathToBibFile.replace(
".bib",
".json") # Loads JSON file, gets path by replacing .bib extension
# with .json extension
with open(jsonFile) as jsonData:
ocred = json.load(jsonData)
pNums = ocred.keys() # Generates page links
