IEB2011, Umap

IEB2011 | eu.umap.eu

1

eu.umap.eu

Josu Azpillaga


eu.umap.eu

● Ideia. Zer da umap.eu● Tresna. Nola dabil.● Emaitzak. Estatistika batzuk.● Aurrera begira.


Zer da umap.eu?


Zer da umap.eu?



eu.umap.eu tresna... proba bat


eu.umap.eu. tresna

● Tuitak jasotzea, denbora errealean● Erabiltzaile euskaldun berriak harrapatzen● Hizkuntza detekzioa● Albisteak, gakohitzak


Tuitak jasotzea, denbora errealean

● Twitter. Streaming API– http://dev.twitter.com/pages/streaming_api

● Aukerak:– Location– Track (keywords)– Language and Country > users– Limit: eskaera berezia (50000)

● X (10) minutuz behin, eskaera berritu

http://dev.twitter.com/pages/streaming_api


class Client: def __init__(self): self.buffer = u'' self.conn = pycurl.Curl() self.conn.setopt(pycurl.USERPWD, "%s:%s" % (USER, PASS)) self.conn.setopt(pycurl.URL, STREAM_URL) self.conn.setopt(pycurl.POSTFIELDS, urllib.urlencode(get_post_values())) self.conn.setopt(pycurl.WRITEFUNCTION, self.on_receive) try: self.conn.perform() except pycurl.error, e:

print "Error code: ", e[0] print "Error message: ", e[1]

def on_error(self, data): import pdb;pdb.set_trace() print data def on_receive(self, data): print data self.buffer += data if data.endswith("\r\n") and self.buffer.strip(): content = json.loads(self.buffer) a = create_status_from_dic(content) self.buffer = ""


Erabiltzaile euskaldun berriak harrapatzen

● Ehhhh.... algoritmo...

● Hasteko erabiltzaile multzo batekin, nahikoa

● Garbiketa ere egiten da

● Norbanakoak bai; robotak?

● Eu... ondo; ca... ejem.


Hizkuntza detekzioa

● Aukera diferenteak

● Errazena? Google API !!!

● Onena? Google API!!!– http://code.google.com/apis/language/

● Lizentziak ez du baimentzen. Orduan?


Hizkuntza detekzioa

●

GuessLanguage erabiltzen dugu● LangID http://langid.net/

● Text cat http://odur.let.rug.nl/~vannoord/TextCat/

● LID http://web.me.com/dcavar/LID/

● Guess Language https://code.google.com/p/guesslanguage/

LangID Textcat LID GuessLanguage

Test 1. eu OK % 75 % 74 % 85 % 93

Test 2. eu OK % 76 % 88 % 96 % 95


Albisteak, gakohitzak

● Gakohitzak

– Hitz guztiak zenbatu eta batu– Logika

● Hitz normala: 1 point● Hasha: 10 point● Tuit horrek link bat du: x1.1● Tuit hori retuit bat da: x1.1● ...● Aldatu liteke!


Albisteak, gakohitzak

● Albisteak

– Link guztiak batu (ojo laburtzaileekin!)– x minutuz behin, aipatuenak kalkulatu– Aipatuen hoiek bisitatu eta informazio

relebantea ekarri● OEmbed!!!!!!!!!!● HTML parserra ;)


oEmbed vs HTML parser

http://www.youtube.com/oembed?url=http%3A//www.youtube.com/watch%3Fv%3DbDOYN6gdRE&format=json

{"provider_url": "http:\/\/www.youtube.com\/", "title": "BRIARD ON SCOOTER - scooting dog",

<h1 id="watch-headline-title"> <span id="eow-title" class="" dir="ltr" title="BRIARD ON SCOOTER - scooting dog"> BRIARD ON SCOOTER - scooting dog </span> </h1> <div id="watch-headline-user-info"> <a id="watch-username" class="inline-block" rel="author" href="/user/courteous1"><strong>courteous1</strong></a>

vs

view-source:http://www.youtube.com/user/courteous1


eu.umap.eu tresna. kodea

● Kode guztia, horratx:– http://www.codesyntax.com/products

● cstwitterstatus● cstwitternews● cslanguagedetection


Emaitzak: datu batzuk

● 2010eko urritik martxan (aurreko datuak...)● Datu orokorrak:

– Tuitak: 1.177.666 (aurrekoak beste 400.000)– eu tuitak: 151.969 (%13)– Erabiltzaileak: 2000tik gora jarraitzen. Eu

aktiboak? 1200 inguru... gutxiago seguraski.





● eu tuiten bat egin duten erabiltzaileak, 6 hilabetean: +%60


Emaitzak: datu batzuk● 2010/11tik hona tuit kopuruaren araberako

erabiltzaileak


Emaitzak: datu batzuk● 2010/11tik hona euskarazko tuit kopuruaren

araberako erabiltzaileak


Emaitzak: datu batzuk● 2011 / 04. Retuitak.● Tuitak (eu): 26.982● Retuitak (eu): 4.109 (%15)● Erabiltzaile retuiteatuenak (eraginkorrenak!):

berria (225), kalaportu (126), argia (108), Sustatu (82), boligorria (75), euskalherrian (71), bildueh (57), zaldieroa (55), garanet (53), theklaneh (49), larbelaitz (48), luistxo (46), iturri (44), euskaljakintza (42), 17Korrika (41), info7irratia (40), zuzeu (40), dabidmp (36), robergutierrez (35), beaetaeneko (34), imnl (30), gaztea (30), tropela (30), teketen (29), Karrikiri (28), birasuegi (26), euskadi_irratia (25), ameslaria (25), EITBKultura (24), eitbcom (24), donostiakultura (24), ainhoaeus (24), baieuskarari (24), eguraldia (23), koldocas (23), goiena (22), zerdionk (22), hedoi_etxarte (21), jonabril (21), iPtx (21), jazpillaga (21), ueu_orokorra (20), exprai (20), GAZTEA (20), joxearanzabal (19), demonocrazy (19), IBIL2D (19), macmikel (18), kazetainfo (18), xletona (17),


Emaitzak: datu batzuk● 2011 / 04. Loturak.● Tuitak (eu): 26.982● Loturadunak (eu): 14.802 (%55!!!)● Hedabide(!) aipatuenak:

eitb.com (1238), youtube.com (504), argia.com (395), berria.info (372), sustatu.com (314), goiena.net (310), zuzeu.com (245), gara.net (235), twitpic.com (230), feedburner.com (226), euskadi.net (200), twitter.com (197), ukberri.net (191), topatu.info (165), google.com (156), askatu.org (143), kulturweb.com (132), etengabe.blogsome.com (117), bizkaie.biz (116), kazeta.info (103), bildu.info (100), uberan.org (87), otamotz.com (87), aiaraldea.com (86)


Emaitzak: datu batzuk● 2011 / 04. Albisteak.● Albisteak albistegi automatikoan: 508● Nondik?

eitb.com (49), argia.com (37), youtube.com (28), berria.info (26), gara.net (19), zuzeu.com (14), twitpic.com (12), sustatu.com (13), topatu.info (10), orekakomunikazioa.deusto.es (8), bildu.info (8), askatu.org (7), ezkerabertzalea.info (7), otamotz.com (6), bit.ly (6), ueu.org (6), hitzondo.net (6), diariovasco.com (5), askapena.org (5), ikasleabertzaleak.org (5), baisarean.org (5), feeds.feedburner.com (4), feedproxy.google.com (4), berriketan.info (4), imh.es (4), juankarh.blogspot.com (4), etxerat.info (4), elpais.com (3), euskaljakintza.com (3), albisteak.euskalherrian.info (3), eibar.org (3), bizkaie.biz (3), noticiasdegipuzkoa.com (3), flickr.com (3), imanolmurua.blogspot.com (2), deia.com (2), codesyntax.com (2), mukom.mondragon.edu (2),


Aurrera begira


Eskerrik asko

@jazpillaga

IEB2011, Umap

Technology