Eu tenho um arquivo de texto emitido por um WebSpider. O Spider extrai todas as frases de uma determinada lista de URLs. O que eu preciso fazer é então processar este arquivo e encontrar todas as linhas que contenham mais de 65 caracteres e depois determinar o idioma de cada linha. Eu trabalhei em um liner (minhas habilidades de script são inexistentes).
sed -n '/^.\{65\}/p' www.mbl.is | langid --line | grep is
langid é um módulo python que identifica idiomas e fornece um número associado à probabilidade de esse idioma. Para instalar basta executar:
pip install langid
ou visite o link para obter mais informações. Agora o que eu preciso fazer é imprimir a linha que é canalizada para o comando langid, que contém 'is', daí o grep. Abaixo está um exemplo de saída do meu comando atual:
('is', -288.34235095977783)
('is', -168.52833652496338)
('is', -255.30311250686646)
('is', -254.8700122833252)
('is', -664.7349543571472)
('is', -169.40936374664307)
('is', -315.0590629577637)
('is', -323.49001693725586)
('is', -281.2222490310669)
('is', -198.52733993530273)
('is', -152.1551775932312)
('is', -66.93532514572144)
('is', -231.61306524276733)
('is', -254.00042057037354)
('is', -322.7330708503723)
('is', -151.84487915039062)
EDIT: de acordo com terdon ♦ comentário
Comando:
sed -n '/^.\{65\}/p' www.mbl.is
Saída:
Eftir stutt stopp i hofudborginni sem okkur heilt yfir leist agaetlega a var kominn timi a ad graeja visa fyrir Vietnam. 1
I gaer, paskadag, eyddum vid thvi deginum i ad koma okkur fyrir a Back Home, gerdum god kaup a Petaling Street (chinatown) og forum i paskaeggjaleit. 1
Vid, temmilega nyvoknud, stigum ut ur rutunni thar sem klassisku leigubilstjornarnir standa fyrir utan ad berjast um folk i bilana sina. 1
Vid forum med Boraj og Tino og leigdum okkur hljodeinangrad einkaherbergi med ollu innifoldu i klukkutima, fyrir taepa 20 dollara (1/4 af manadarlaunum theirra!) - fullt af bjor, starfsmadur med okkur allan timan og steiktar poddur i snakk med idyfum. 1
Vid ludarnir i "Good morning Vietnam" bolunum okkar umkringd moldriku folki klaett i italkst fra toppi og nidur. 1
Vid aetlum tho rett ad vona ad foreldrar okkar sjai ser faert ad geyma eins og eitt alvoru paskaegg handa hvoru okkar? 1
Hinsvegar var okkur bent a tyndu perluna, Mai Chau, sem hefur allt sem Sapa hefur upp a ad bjoda, nema thu dregur turismann fra. 1
Thetta var audvitad allt saman hreinasta lygi en vid letum okkur hafa thad og gistum eina nott a thessu annars agaeta hoteli. 1
Individual truth is constantly evolving, and a truth seeker must be willing to give up last week's major truth for whatever new discovery the innermost self reveals. 1
Um kvoldid forum vid svo oll saman ad borda vid mekong ana og attum mjog gott kvold saman. 1
Tha segja teir enn fremur ad bandarikjamenn hafi i raun verid ad reyna ad hindra frekari utbreidslu kommunisma i SA-Asiu, svo ad stridid var i raun bara einn stor misskilningur. 1
Comando:
sed -n '/^.\{65\}/p' www.mbl.is | langid --line
Saída:
('en', -193.52840971946716)
('en', -445.4644522666931)
('en', -158.1918339729309)
('en', -220.16202330589294)
('en', -596.61936211586)
('en', -379.3824007511139)
('en', -150.61454391479492)
('en', -379.3824007511139)
('en', -270.56594038009644)
('en', -446.9800910949707)
('en', -702.9869554042816)
('en', -208.84209847450256)
('en', -345.15056800842285)
('en', -321.2763195037842)
('en', -209.9769265651703)
('en', -144.31591272354126)
('en', -208.40711855888367)
('en', -161.14595460891724)
('en', -180.95807218551636)
('is', -151.84487915039062)
('en', -32.042465686798096)
('no', -73.23809719085693)
('lb', -194.81272649765015)
('et', -80.76274251937866)
('en', -129.17673206329346)
('en', -95.43238878250122)
('da', -30.086124420166016)
Isso é possível em um único liner ou seria melhor escrever um roteiro? Eu posso fazê-lo em python, mas seus módulos regex são dolorosos e precisam mudar a variável de caractere rapidamente, dependendo do arquivo de entrada, e alterar o grep para códigos de idioma diferentes facilmente. Além disso, eu pensei que este seria um bom momento para iniciar minha jornada no bash scripting, os comandos do bash são impressionantes, e eu posso assumir que assim é bash scripting (eu só tenho que dar uma olhada na semântica e na sintaxe, muitos $ sinais)