2 New Files, Renamed.

find_and_replace_uri.R

@@ -1,115 +0,0 @@
-library("readxl")
-library("writexl")
-library("dplyr")
-library("xlsx")
-library("stringi")
-library("stringr")
-library("tictoc")
-library("rlang")
-
-#Funktionen & Konfiguration einbinden
-source("sparql.R")
-source("config/config.R")
-
-
-### Einlesen ###
-inDB <-  get_current_geoera_lit_db()
-
-to_replace_original <- read_excel(paste(PFAD_EXCEL, FILENAME_EXCEL, sep=""), sheet = SHEETNAME)
-to_replace_done <- to_replace_original
-
-#Erste Schleife über den Spaltenvektor aus der Excel
-for (spalte_excel in SPALTEN[1]:SPALTEN[length(SPALTEN)]) { 
-  
-  #Start der Zeitmessung für aktuelle Spalte
-  tic(paste("starte mit Spalte",spalte_excel))
-  
-  #Zweite Schleife über die jeweiligen Zeilen des Spaltenvektors
-  for (zeile_excel in 1:nrow(to_replace_original[, spalte_excel])) {
-    
-    #Current Excel ist das derzeit behandelte Zitate / Zelle
-    current_excel <- tolower(to_replace_original[zeile_excel, spalte_excel])
-    
-    #Falls die aktuelle Zelle leer ist wird die nächste Iteration begonnen um Rechenleistung zu sparen
-    if (is.na(current_excel)) {
-      next
-    }
-    
-    #Falls der Inhalt der aktuellen Zelle zu kurz ist wird ebenfalls die nächste Iteration begonnen und der Inhalt gelöscht
-    #der Grund dafür ist, dass es bei sehr wenigen Zeichen (<=THRESHOLD) sehr unwahrscheinlich ist, dass es ein gültiges Vollzitat ist
-    if ((nchar(current_excel) <= THRESHOLD)) {
-      to_replace_done[zeile_excel, spalte_excel] <- ""
-      next
-    }
-    
-    #Zerlegt den Zelleninhalt und macht daraus eine Liste "Wort"liste aus alphanumerischen Zeichen, getrennt wird jeweils bei nicht-alphanumischen Zeichen
-    excel_search_all <- unlist(strsplit(gsub("[^[:alnum:] ]", "", current_excel), " +"))
-    #Legt eine Liste aus Zahlen zwischen 1900 & 2099 an, die in der aktuellen Zelle sind. (soll das Jahr der Publizierung finden)
-    #Grund hierfür ist, dass das Jahr ein sehr guter zusätzlicher Indikator ist ob eine Publikation gleich ist
-    excel_search_numbers <- unlist(str_extract_all(current_excel, "(?:19|20)\\d{2}"))
-  
-    #Dritte Schleife die über die Vollzitatzeilen (INHALTE_DB) der Datenbank iteriert
-    for (zeile_db in 1:nrow(inDB[, INHALTE_DB])) {
-      
-      #aktuell behandeltes Element der Datenbank
-      current_db <- tolower(inDB[zeile_db,INHALTE_DB])
-      
-      #Zerlegt den Zelleninhalt und macht daraus eine Liste "Wort"liste aus alphanumerischen Zeichen, getrennt wird jeweils bei nicht-alphanumischen Zeichen
-      db_search_all <- unlist(strsplit(gsub("[^[:alnum:] ]", "", current_db), " +"))
-      
-      #Legt eine Liste aus Zahlen zwischen 1900 & 2099 an, die in der aktuellen Zelle sind. (soll das Jahr der Publizierung finden)
-      db_search_numbers <- unlist(str_extract_all(current_db, "(?:19|20)\\d{2}"))
-      
-      
-      #Initialiersierung der Countvariablen
-      count_all <- 0
-      count_numbers <- 0
-      
-      #Initialiersierung der Matchvariablen
-      percent_match_all <- 0.01
-      percent_match_numbers <- 0.01
-      
-      #Vierter(a) Schleifendurchlauf - Eruiert welche Elemente des Excel-Vektors im Datenbankvektors sind und zählt diese
-      for (k in 1:length(excel_search_all)) {
-        if (excel_search_all[k] %in% db_search_all) {
-          
-          count_all <- count_all + 1
-        }
-      }
-      
-      #Vierter(b) Schleifendurchlauf - Eruiert welche Jahre des Excel-Vektors im Jahres-Datenbankvektors sind und zählt diese
-      #Wird nur durchgeführt wenn beide Vektoren gefüllt sind
-      if ((length(db_search_numbers) > 0) && (length(excel_search_numbers) > 0)) {
-        for (l in 1:length(excel_search_numbers)) {
-          if (excel_search_numbers[l] %in% db_search_numbers) {
-            
-            count_numbers <- count_numbers + 1
-          }
-        }
-      }
-      
-      #Rechnet aus (in %) wieviele der Wörter gefunden wurden
-      percent_match_all <- count_all / length(excel_search_all)
-      
-      #Rechnet aus (in %) wieviele der Jahre gefunden wurden. Überprüfung ob der Excel-Jahresvektor leer ist, um Division durch 0 zu vermeiden
-      if (length(excel_search_numbers) > 0) {
-        percent_match_numbers <- count_numbers / length(excel_search_numbers)
-      }
-      
-      #Wenn genug Übereinstimmung gefunden wird, wird das Zitat durch die URI aus der Datenbank ersetzt
-      #Beim Jahr muss die Übereinstimmung höher sein, weil es ein sehr guter Indikator für die gleiche Publikation ist
-      if ((percent_match_all >= MATCH_ALL) && (percent_match_numbers > MATCH_YEAR)) {
-        
-        to_replace_done[zeile_excel, spalte_excel] <- str_remove_all(inDB[zeile_db,ID], "[<>]")
-      }
-      
-    }
-  }
-  #Ende der Laufzeitberechnung für die erste Schleife (gemacht um abschätzen zu können wie lange ein Durchgang dauert)
-  toc()
-}
-
-#Schreibt die Exceldatei ins Outputverzeichnis
-pfad_output <- paste(PFAD_OUT, "replaced_", format(Sys.time(), "%Y_%m_%d_%H%M%S"), FILENAME_EXCEL, sep="")
-write_xlsx(to_replace_done, pfad_output)
-