Retour à la page [[python:traitement_corpus_textuels|Traitement de corpus textuels]]


===== Atelier du 27 novembre 2018  =====

Objectifs :
  * importation d'un corpus de textes OCRisés au format Word
  * constitution du corpus dans Python
  * tokenisation en français
  * analyse de fréquences pour nettoyer le texte

Ressources :
  * Corpus de texte (lien à mettre)
  * Librairies python pour importer les documents Word :
    * [[https://pypi.org/project/mammoth/|mammoth]]
    * [[https://github.com/python-openxml/python-docx|python-docx]], cf. [[https://discuss.analyticsvidhya.com/t/how-to-read-a-bunch-of-docx-files-in-python/19394|ce fil]] de forum pour une piste.