Introduction à la fouille de texte

Ce cours fait partie du séminaire d'introduction aux humanités numériques, donné à l'Observatoire des humanités numériques de l'ENS-PSL. Ce dépôt GitHub conserve tous les supports de cours utilisés.

---

Les notebooks

• 0_lexique_python: une cheatsheet/un lexique de tout ce qui est vu dans le cours
• 1_python_basique: une première introduction à python, avec des manipulations très simples et une présentation de quelques types de données (int, float, str, bool) et des fonctions
• 2_manipuler_du_texte_simple: présentation plus avancée, avec une chaîne de traitement qui vise à écrire une fonction comptant les différentes occurences de chaque mot dans un texte. On y voit les types list et dict, ainsi que les if, for et l'écriture de fonctions.
• 3_densite_lexicale: utilisation de librairies de TAL (traitement automatisé du langage) et calcul de densité lexicale

---

Utilisation

Google Colab

• 1er notebook: 1_python_basique
• 2e notebook: 2_manipyler_du_texte_simple
• 3e notebook: 3_densite_lexicale
• lexique / cheatsheet: 0_lexique_python

Il faudra charger tous les textes dans la partie "fichiers" de votre Google Colab (onglet en forme de dossier à gauche de l'écran).

En local (MacOs / Linux)

L'utilisation en local est possible (et plutôt facile) et conseillée: c'est plus rapide et ça évite de passer par Google. Pour utiliser un notebook en local, on utilise le super projet jupyter, qu'on installe en suivant les étapes ci-dessous.

Pour l'installation en local, il faut avoir Git installé sur son ordinateur.

git clone https://github.com/paulhectork/cours_ens2025_fouille_de_texte.git  # on télécharge le projet
cd cours_ens2025_fouille_de_texte  # se déplacer dans le dossier du projet
python3 -m venv env  # créer un "environnement virtuel" qui contient toutes les librairie python propre au projet
source env/bin/activate  # activer l'environnement virtuel
pip install -r requirements.txt  # installer toutes les librairies, et surtout jupyter notebook
jupyter notebook  # lancer jupyter

Pour pouvoir utiliser les notebooks correctement, le fichier in_correspondance_matsutaka_full.txt doit être présent à la racine de cours_ens2025_fouille_de_texte.git. Il n'est pas présent dans le dépôt Git.

---

Sources

Le corpus de correspondances Matsutaka est conservé à l'INHA et a été retranscrit par Léa Saint-Raymond.

Les trois romans de Woolf utilisés dans ce notebook ont été légèrement modifiés à partir de version en texte libre téléchargées sur:

• Woolf, V. (1937, 1e édition 1927). To The Lighthouse. New York: The Modern Library. 326p. Téléchargé sur archive.org
• Woolf, V. (1960, 1e édition 1931). The Waves. London: The Hogarth Press. 216 p. Téléchargé sur archive.org
• Woolf V. (1963, 1e édition 1925). Mrs. Dalloway. London: The Hogarth Press. 213 p. Téléchargé sur archive.org

---

Pour aller plus loin

J'ai quelques autres notebooks qui peuvent être utiles:

• Cours donné en 2024 à l'ENS (2h). C'est le même corpus de trois romans de Virginia Woolf, mais en plus de la densité lexicale, on voit l'analyse de la structure des phrases et paragraphes, ainsi que la distribution du vocabulaire dans les trois romans pour chercher à mener une analyse statistique un peu plus poussée.
• Atelier donné en 2023 à l'ENS (1 journée) sur l'analyse de texte en XML. On y voit le XML-TEI, un standard de description de documents, et on y fait du TAL beaucoup plus avancé: géocodage, résolutions d'entités nommées... Bon ce cours est peut-être un peu compliqué mais je le mets quand même:)

Ces ressources pédagogiques sont aussi très utiles et m'ont servi à préparer ces cours:

• Laramée, F. D. (2018). Introduction à la stylométrie en Python. Programming historian. En ligne
• Lavin, Matthew J. (2019). Analyse de documents avec TF-IDF. Programming historian. En ligne
• Bird, S. & Klein E. & Loper E. (1e édition 2009). Natural language processing with pyton. Analyzing text with the natural language toolkit. En ligne (pour aller beaucoup plus loin)
• Cours de Python donné par Thibault Clérice à l'École des Chartes jusqu'en 2021-2022. Un cours trèèèèès complet qui va jusqu'au développement d'une appli Web.
• Bird, S. & Klein E. & Loper E. (1e édition 2009). Natural language processing with pyton. Analyzing text with the natural language toolkit. En ligne (pour aller beaucoup plus loin)

---

Licence et crédits

Les notebooks sont sous licence libre GNU GPL 3.0. Les textes sont sous licence libre creative commons (CC BY 4.0), sauf in_corrspondance_matsutaka_full.txt, qui est prêté par Léa Saint Raymond et ne doit pas être diffusé en dehors de ce cours (il n'est pas stocké dans le Git).