Améliorations au moteur de recherche

import_data/00_creer_data_repo.py

@@ -1,11 +1,11 @@
 import os
 import utils.reseau_social_data as rs_data
 
-# %% Créer le répertoire data s'il n'existe pas
+## %% Créer le répertoire data s'il n'existe pas
 if not os.path.exists('data'):
     os.makedirs('data')
 
-# %% Créer les répertoires pour chaque réseau sociaux
+## %% Créer les répertoires pour chaque réseau sociaux
 for reseau_social in rs_data.reseau_social_data:
     if not os.path.exists(f'data/{reseau_social["nom"]}/'):
         os.makedirs(f'data/{reseau_social["nom"]}/')

import_data/00_creer_reseauxsociaux.py

@@ -2,7 +2,7 @@ from typesense.exceptions import TypesenseClientError, ObjectAlreadyExists
 
 from utils.typesense_client import client
 
-# Create a collection
+## %% Create a collection
 try:
     client.collections.create({
         'name': 'social_media_posts',
@@ -13,10 +13,13 @@ try:
             {'name': 'index', 'type': 'string', 'facet': True},
             {'name': 'chemin', 'type': 'string'},
             {'name': 'texte', 'type': 'string'},
+            {'name': 'langue', 'type': 'string', 'facet': True},
+            {'name': 'texte_urls', 'type': 'string[]'},
+            {'name': 'nombre_de_mots', 'type': 'int64'},
             {'name': 'creation_timestamp', 'type': 'int64'},
             {
-                "name" : "embedding",
+                "name": "embedding",
-                "type" : "float[]",
+                "type": "float[]",
                 "embed": {
                     "from": [
                         "texte"
@@ -31,10 +34,8 @@ try:
     })
     print("Collection 'social_media_posts' created successfully.")
 except TypesenseClientError as e:
-    if e==ObjectAlreadyExists:
+    if e == ObjectAlreadyExists:
         print("Collection 'social_media_posts' already exists. Skipping creation.")
     else:
         print(f"Error creating collection: {str(e)}")
         raise
-
-

import_data/00_delete_collection.py

@@ -1,3 +1,4 @@
-# Utiliser au besoin seulement pour supprimer la collection 'social_media_posts' dans Typesense
+## %% Utiliser au besoin seulement pour supprimer la collection 'social_media_posts' dans Typesense
 from utils.typesense_client import client
+## %%
 client.collections['social_media_posts'].delete()

import_data/11_importation_facebook_page_publications.py

@@ -6,21 +6,18 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Déterminer le chemin du répertoire du script
-
-#%% In[ ]:
-
-# Get the current file's directory
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 fb_data_path = [os.path.join(project_root, 'import_data', 'data', 'FacebookBusiness', 'posts', 'profile_posts_1.json')]
 
+## %% Lire et parser le fichier JSON des posts Facebook
 try:
     with open(fb_data_path[0], "r", encoding="raw-unicode-escape") as posts:
         posts_json = json.loads(convert_encoding_meta(posts.read()))
@@ -28,17 +25,18 @@ except Exception as e:
     print(f"Error reading JSON file: {e}")
     exit(1)
 
-#%% In[ ]:
+## %% Extraire les données pertinentes de chaque post
 posts_medias = []
 for post in posts_json:
-    # data
+    # Extraire le texte du post
     data_post_items = post['data']
     texte_post_list = []
     for item in data_post_items:
         if item.get('post'):
             texte_post_list.append(item['post'])
     texte = "\n".join(texte_post_list)
-    # attachments
+    
+    # Traiter les pièces jointes du post
     for attachment in post['attachments']:
         if attachment.get('data'):
             for data_item in attachment['data']:
@@ -52,14 +50,14 @@ for post in posts_json:
                                              "texte": texte,
                                              "creation_timestamp": media["creation_timestamp"]})
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des données extraites
 posts_medias_df = pd.DataFrame(posts_medias)
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 posts_medias_df.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et le timestamp de création
 posts_medias_df.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(posts_medias_df)

import_data/12_importation_facebook_profil_comments.py

@@ -6,23 +6,23 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-
+# Obtenir le répertoire du fichier courant
-# Get the current file's directory
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 fb_data_path = [os.path.join(project_root, 'import_data', 'data', 'Facebook', 'comments_and_reactions', 'comments.json')]
 
+## %% Lire et parser le fichier JSON des commentaires Facebook
 with open(fb_data_path[0], "r", encoding="raw-unicode-escape") as posts:
     comments_json = json.loads(convert_encoding_meta(posts.read()))
 
-#%% In[ ]:
+## %% Extraire les données pertinentes de chaque commentaire
 facebook_comments = []
 for comment in comments_json['comments_v2']:
     if comment.get('data'):
@@ -36,8 +36,8 @@ for comment in comments_json['comments_v2']:
                                           "texte": comment["comment"],
                                           "creation_timestamp": comment["timestamp"]})
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des données extraites
 facebook_comments_df = pd.DataFrame(facebook_comments)
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(facebook_comments_df)

import_data/13_importation_facebook_profil_uncategorized_photos.py

@@ -6,46 +6,45 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-
+# Obtenir le répertoire du fichier courant
-# Get the current file's directory
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 fb_data_path = os.path.join(project_root, 'import_data', 'data', 'Facebook', 'posts', 'your_uncategorized_photos.json')
 
+## %% Lire et parser le fichier JSON des photos Facebook non catégorisées
 with open(fb_data_path, "r", encoding="raw-unicode-escape") as posts:
     photos_json = json.loads(convert_encoding_meta(posts.read()))
 
-#%% In[ ]:
+## %% Extraire les photos non catégorisées du JSON
 facebook_photos = photos_json['other_photos_v2']
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des photos extraites
 facebook_photos_df = pd.DataFrame(facebook_photos)
 
-#%% In[ ]:
+## %% Filtrer les publications sans description
-# Filter out posts without a description
 facebook_photos_df = facebook_photos_df[~facebook_photos_df['description'].isnull()]
 
-#%% In[ ]:
+## %% Ajouter des métadonnées au DataFrame
 facebook_photos_df['index'] = "rs_facebook_posts"
 facebook_photos_df['network'] = "Facebook"
 facebook_photos_df['type'] = "posts"
 facebook_photos_df['chemin'] = fb_data_path
 
-#%% In[ ]:
+## %% Renommer la colonne 'description' en 'texte'
 facebook_photos_df.rename(columns={"description": "texte"}, inplace=True)
 
-#%% In[ ]:
+## %% Supprimer la colonne 'media_metadata'
 del facebook_photos_df['media_metadata']
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 facebook_photos_df.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(facebook_photos_df)

import_data/21_importation_instagram_publications.py

@@ -6,23 +6,23 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 instagram_data_path = os.path.join(project_root, 'import_data', 'data', 'Instagram', 'content', 'posts_1.json')
 
-
+## %% Lire et parser le fichier JSON des publications Instagram
 with open(instagram_data_path, "r", encoding="raw-unicode-escape") as posts:
     posts_json = json.loads(convert_encoding_meta(posts.read()))
 
-#%% In[ ]:
+## %% Extraire et structurer les données des publications Instagram
 posts_medias = []
 for post in posts_json:
     medias = post['media']
@@ -56,18 +56,17 @@ for post in posts_json:
             "texte": title,
             "creation_timestamp": creation_timestamp})
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des données extraites
 posts_medias_df = pd.DataFrame(posts_medias)
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 posts_medias_df.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et la date de création
 posts_medias_df.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Filtrer les publications avec un texte vide
-# Filter empty texte
 posts_medias_df = posts_medias_df[~posts_medias_df['texte'].str.strip().eq('')]
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(posts_medias_df)

import_data/22_importation_instagram_reels.py

@@ -6,50 +6,50 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 instagram_data_path = os.path.join(project_root, 'import_data', 'data', 'Instagram', 'content', 'reels.json')
 
+## %% Lire et parser le fichier JSON des reels Instagram
 with open(instagram_data_path, "r", encoding="raw-unicode-escape") as posts:
     reels_json = json.loads(convert_encoding_meta(posts.read()))
 
-#%% In[ ]:
+## %% Extraire les données média des reels
 ig_reels_media = [x['media'][0] for x in reels_json['ig_reels_media']]
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des données extraites
 ig_reels_df = pd.DataFrame(ig_reels_media)
 
-#%% In[ ]:
+## %% Ajouter des colonnes supplémentaires au DataFrame
 ig_reels_df['index'] = "rs_instagram_content"
 ig_reels_df['type'] = "reels"
 ig_reels_df['network'] = "Instagram"
 ig_reels_df['chemin'] = instagram_data_path
 
-#%% In[ ]:
+## %% Renommer la colonne 'title' en 'texte'
 ig_reels_df.rename(columns={"title": "texte"}, inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les colonnes non nécessaires
 del ig_reels_df['media_metadata']
 del ig_reels_df['cross_post_source']
 del ig_reels_df['dubbing_info']
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 ig_reels_df.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et la date de création
 ig_reels_df.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Filtrer les reels avec un texte vide
-# Filter empty texte
 ig_reels_df = ig_reels_df[~ig_reels_df['texte'].str.strip().eq('')]
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(ig_reels_df)

import_data/23_importation_instagram_stories.py

@@ -6,47 +6,48 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 instagram_data_path = os.path.join(project_root, 'import_data', 'data', 'Instagram', 'content', 'stories.json')
+
+## %% Lire et parser le fichier JSON des stories Instagram
 with open(instagram_data_path, "r", encoding="raw-unicode-escape") as posts:
     stories_json = json.loads(convert_encoding_meta(posts.read()))
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des données des stories
 ig_stories_df = pd.DataFrame(stories_json['ig_stories'])
 
-#%% In[ ]:
+## %% Ajouter des colonnes supplémentaires au DataFrame
 ig_stories_df['index'] = "rs_instagram_content"
 ig_stories_df['type'] = "stories"
 ig_stories_df['network'] = "Instagram"
 ig_stories_df['chemin'] = instagram_data_path
 
-#%% In[ ]:
+## %% Renommer la colonne 'title' en 'texte'
 ig_stories_df.rename(columns={"title": "texte"}, inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les colonnes non nécessaires
 del ig_stories_df['media_metadata']
 del ig_stories_df['cross_post_source']
 del ig_stories_df['ai_stickers']
 del ig_stories_df['dubbing_info']
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 ig_stories_df.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et la date de création
 ig_stories_df.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Filtrer les stories avec un texte vide
-# Filter empty texte
 ig_stories_df = ig_stories_df[~ig_stories_df['texte'].str.strip('\n').str.strip().eq('')]
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(ig_stories_df)

import_data/24_importation_instagram_post_comments.py

@@ -6,22 +6,23 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 instagram_data_path = os.path.join(project_root, 'import_data', 'data', 'Instagram', 'comments', 'post_comments_1.json')
 
+## %% Lire et parser le fichier JSON des commentaires Instagram
 with open(instagram_data_path, "r", encoding="raw-unicode-escape") as posts:
     post_comments_1 = json.loads(convert_encoding_meta(posts.read()))
 
-#%% In[ ]:
+## %% Extraire les données pertinentes de chaque commentaire
 ig_comments = []
 for comment in post_comments_1:
     ig_comments.append({"texte": comment['string_map_data']['Comment']['value'],
@@ -31,18 +32,18 @@ for comment in post_comments_1:
                         "type": "comments",
                         "network": "Instagram"})
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des données extraites
 ig_comments_df = pd.DataFrame(ig_comments)
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 ig_comments_df.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et la date de création
 ig_comments_df.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Filtrer les commentaires avec un texte vide
-# Filter empty texte
+# Filtrer les textes vides
 ig_comments_df = ig_comments_df[~ig_comments_df['texte'].str.strip('\n').str.strip().eq('')]
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(ig_comments_df)

import_data/25_importation_instagram_reels_comments.py

@@ -6,22 +6,23 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 instagram_data_path = os.path.join(project_root, 'import_data', 'data', 'Instagram', 'comments', 'reels_comments.json')
 
+## %% Lire et parser le fichier JSON des commentaires Instagram Reels
 with open(instagram_data_path, "r", encoding="raw-unicode-escape") as posts:
     reels_comments = json.loads(convert_encoding_meta(posts.read()))
 
-#%% In[ ]:
+## %% Extraire les données pertinentes de chaque commentaire Reels
 ig_comments = []
 for comment in reels_comments['comments_reels_comments']:
     ig_comments.append({"texte": comment['string_map_data']['Comment']['value'],
@@ -31,18 +32,18 @@ for comment in reels_comments['comments_reels_comments']:
                         "type": "comments",
                         "network": "Instagram"})
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des données extraites
 ig_comments_df = pd.DataFrame(ig_comments)
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 ig_comments_df.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et la date de création
 ig_comments_df.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Filtrer les commentaires avec un texte vide
-# Filter empty texte
+# Filtrer les textes vides
 ig_comments_df = ig_comments_df[~ig_comments_df['texte'].str.strip('\n').str.strip().eq('')]
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(ig_comments_df)

import_data/26_importation_threads.py

@@ -6,22 +6,23 @@ from pathlib import Path
 from utils.documents_to_database import documents_to_database
 from utils.convert_encoding_meta import convert_encoding_meta
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 instagram_data_path = os.path.join(project_root, 'import_data', 'data', 'Instagram', 'threads', 'threads_and_replies.json')
 
+## %% Lire et parser le fichier JSON des posts Threads
 with open(instagram_data_path, "r") as posts:
     post_comments_1 = json.loads(convert_encoding_meta(posts.read()))
 
-#%% In[ ]:
+## %% Extraire les données pertinentes de chaque post Threads
 threads_comments = []
 for post in post_comments_1['text_post_app_text_posts']:
     for element in post['media']:
@@ -32,18 +33,18 @@ for post in post_comments_1['text_post_app_text_posts']:
                                  "type": "posts",
                                  "network": "Threads"})
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des données extraites
 ig_comments_df = pd.DataFrame(threads_comments)
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 ig_comments_df.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et la date de création
 ig_comments_df.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Filtrer les posts avec un texte vide
-# Filter empty texte
+# Filtrer les textes vides
 ig_comments_df = ig_comments_df[~ig_comments_df['texte'].str.strip('\n').str.strip().eq('')]
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(ig_comments_df)

import_data/31_importation_linkedin_shares.py

@@ -6,13 +6,13 @@ from pathlib import Path
 
 from utils.documents_to_database import documents_to_database
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
@@ -20,39 +20,38 @@ linkedin_data_path = os.path.join(project_root, 'import_data', 'data', 'LinkedIn
 
 raw_shares = pd.read_csv(linkedin_data_path)
 
-#%% In[ ]:
+## %% Ajouter des colonnes d'identification au DataFrame
 raw_shares['index'] = "rs_linkedin_shares"
 raw_shares['type'] = "posts"
 raw_shares['network'] = "LinkedIn"
 raw_shares['chemin'] = linkedin_data_path
 
-#%% In[ ]:
+## %% Convertir la date en timestamp et supprimer la colonne originale
 raw_shares["creation_timestamp"] = raw_shares["Date"].apply(
     lambda x: int(datetime.datetime.fromisoformat(x).timestamp())
 )
 del raw_shares["Date"]
 
-#%% In[ ]:
+## %% Renommer les colonnes pour correspondre au format standard
 raw_shares.rename(columns={"ShareLink": "uri", "ShareCommentary": "texte"}, inplace=True)
 
-#%% In[ ]:
+## %% Convertir la colonne 'texte' en type string
 raw_shares["texte"] = raw_shares["texte"].apply(lambda x: str(x))
 
-#%% In[ ]:
+## %% Supprimer les colonnes non nécessaires
 del raw_shares["SharedUrl"]
 del raw_shares["MediaUrl"]
 del raw_shares["Visibility"]
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 raw_shares.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et la date de création
 raw_shares.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Filtrer les partages avec un texte vide
-# Filter empty texte
+# Filtrer les textes vides
 raw_shares = raw_shares[~raw_shares['texte'].str.strip('\n').str.strip().eq('')]
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(raw_shares)
-

import_data/32_importation_linkedin_comments.py

@@ -6,19 +6,19 @@ from pathlib import Path
 
 from utils.documents_to_database import documents_to_database
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
 linkedin_data_path = os.path.join(project_root, 'import_data', 'data', 'LinkedIn', 'comments', 'Comments.csv')
 
-#%% In[ ]:
+## %% Lire et nettoyer les données CSV des commentaires LinkedIn
 raw_comments_csv = pd.read_csv(linkedin_data_path,
                                escapechar='\\',
                                skipinitialspace=True)
@@ -26,33 +26,33 @@ raw_comments_csv['MessageFix'] = raw_comments_csv['Message'].str.replace(r'[\r\n
 raw_comments_csv = raw_comments_csv.drop(columns=['Message'])
 raw_comments = raw_comments_csv[(raw_comments_csv['MessageFix'] != "")].drop_duplicates()
 
-#%% In[ ]:
+## %% Ajouter des colonnes d'identification au DataFrame
 raw_comments['index'] = "rs_linkedin_comments"
 raw_comments['type'] = "comments"
 raw_comments['network'] = "LinkedIn"
 raw_comments['chemin'] = linkedin_data_path
 
-#%% In[ ]:
+## %% Convertir la date en timestamp et supprimer la colonne originale
 raw_comments["creation_timestamp"] = raw_comments["Date"].apply(
     lambda x: int(datetime.datetime.fromisoformat(x).timestamp())
 )
 del raw_comments["Date"]
 
-#%% In[ ]:
+## %% Renommer les colonnes pour correspondre au format standard
 raw_comments.rename(columns={"Link": "uri", "MessageFix": "texte"}, inplace=True)
 
-#%% In[ ]:
+## %% Ajouter le chemin du fichier source
 raw_comments["chemin"] = linkedin_data_path
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 raw_comments.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Supprimer les doublons basés sur le texte et la date de création
 raw_comments.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)
 
-#%% In[ ]:
+## %% Filtrer les commentaires avec un texte vide
-# Filter empty texte
+# Filtrer les textes vides
 raw_comments = raw_comments[~raw_comments['texte'].str.strip('\n').str.strip().eq('')]
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(raw_comments)

import_data/41_importation_wordpress.py

@@ -10,13 +10,13 @@ from pathlib import Path
 
 from utils.documents_to_database import documents_to_database
 
-#%% In[ ]:
+## %% Obtenir le répertoire du fichier courant
-# Get the current file's directory
+# Obtenir le répertoire du fichier courant
 try:
-    # This will work when running as a script
+    # Ceci fonctionnera lors de l'exécution en tant que script
     script_dir = Path(__file__).parent.parent
 except NameError:
-    # This will work in interactive environments
+    # Ceci fonctionnera dans des environnements interactifs
     script_dir = Path().absolute()
 
 project_root = script_dir
@@ -25,22 +25,21 @@ wordpress_xml_path = os.path.join(project_root, 'import_data', 'data', 'Wordpres
 with open(wordpress_xml_path, "r") as xml_file:
     wordpress_xml = xml_file.read()
 
-#%% In[ ]:
+## %% Convertir le XML en dictionnaire Python
 wordpress_dict = xmltodict.parse(wordpress_xml)
 
-#%% In[ ]:
+## %% Créer un DataFrame à partir des éléments du canal RSS
 items_df = pd.DataFrame(wordpress_dict['rss']['channel']['item'])
 
-#%% In[ ]:
+## %% Filtrer les éléments pour ne garder que les pages et les articles publiés
 items_df_filter = items_df[
     (items_df['wp:post_type'].isin(['page', 'post'])) & (items_df['wp:status'] == 'publish')].copy()
 
-#%% In[ ]:
+## %% Convertir la date de publication en timestamp
 items_df_filter['creation_timestamp'] = items_df_filter['wp:post_date'].apply(
     lambda x: int(datetime.datetime.fromisoformat(x).timestamp()))
 
-
+## %% Définir une fonction pour convertir le contenu WordPress en Markdown
-#%% In[ ]:
 def wp_to_markdown(x):
     try:
         md_text = re.sub(r'\n+', ' ', markdownify.markdownify(x, heading_style='ATX')).strip()
@@ -50,22 +49,21 @@ def wp_to_markdown(x):
         pass
     return md_text
 
-
+## %% Appliquer la conversion Markdown au contenu
-#%% In[ ]:
 items_df_filter['texte'] = items_df_filter['content:encoded'].apply(lambda x: wp_to_markdown(x))
 
-#%% In[ ]:
+## %% Renommer les colonnes pour correspondre au format standard
 items_df_filter.rename(columns={"link": "uri", "wp:post_type": "type"}, inplace=True)
 
-#%% In[ ]:
+## %% Ajouter des colonnes d'identification
 items_df_filter['index'] = "rs_wordpress_jevalideca"
 items_df_filter['network'] = "Wordpress"
 items_df_filter['chemin'] = wordpress_xml_path
 
-#%% In[ ]:
+## %% Remplacer les valeurs NaN par des chaînes vides
 items_df_filter.fillna(value="", inplace=True)
 
-#%% In[ ]:
+## %% Envoyer les données à la base de données
 documents_to_database(items_df_filter[['title',
                                        'uri',
                                        'type',

import_data/51_importation_podcast.py

@@ -3,7 +3,8 @@ from pathlib import Path
 from tqdm import tqdm
 from faster_whisper import WhisperModel
 
-# Get the current file's directory
+## %% Configuration du chemin et des répertoires
+# Obtenir le répertoire du fichier courant
 try:
     script_dir = Path(__file__).parent.parent
 except NameError:
@@ -13,15 +14,17 @@ project_root = script_dir
 podcast_dir = os.path.join(project_root, 'import_data', 'data', 'Podcast', 'audio')
 output_dir = os.path.join(project_root, 'import_data', 'data', 'Podcast', 'transcripts')
 
-# Create output directory if it doesn't exist
+# Créer le répertoire de sortie s'il n'existe pas
 os.makedirs(output_dir, exist_ok=True)
 
-# Load Faster-Whisper model
+## %% Chargement du modèle Faster-Whisper
+# Charger le modèle Faster-Whisper
 model = WhisperModel("small", device="cpu", compute_type="int8")
 
+## %% Définition des fonctions de transcription et de création de fichiers SRT
 def transcribe_audio(audio_path):
     l_segments, _ = model.transcribe(audio_path, language="fr", task="transcribe")
-    return list(l_segments)  # Convert generator to list
+    return list(l_segments)  # Convertir le générateur en liste
 
 def create_srt(l_segments, output_path):
     with open(output_path, 'w', encoding='utf-8') as f:
@@ -38,15 +41,16 @@ def format_time(seconds):
     milliseconds = int((seconds % 1) * 1000)
     return f"{hours:02d}:{minutes:02d}:{seconds:02d},{milliseconds:03d}"
 
-# Process all MP3 files
+## %% Traitement de tous les fichiers MP3
+# Traiter tous les fichiers MP3
 for filename in tqdm(os.listdir(podcast_dir)):
     if filename.endswith(".mp3"):
         mp3_path = os.path.join(podcast_dir, filename)
         srt_path = os.path.join(output_dir, filename.replace(".mp3", ".srt"))
 
-        print(f"Transcribing {filename}...")
+        print(f"Transcription de {filename}...")
         segments = transcribe_audio(mp3_path)
         create_srt(segments, srt_path)
-        print(f"Transcription saved to {srt_path}")
+        print(f"Transcription sauvegardée dans {srt_path}")
 
-print("All podcasts have been transcribed.")
+print("Tous les podcasts ont été transcrits.")

import_data/requirements.txt

@@ -1,17 +1,28 @@
 altair==5.5.0
+annotated-types==0.7.0
 attrs==24.2.0
 av==13.1.0
 beautifulsoup4==4.12.3
 blinker==1.9.0
+blis==1.0.1
 cachetools==5.5.0
+catalogue==2.0.10
 certifi==2024.8.30
 charset-normalizer==3.4.0
 click==8.1.7
+cloudpathlib==0.20.0
 coloredlogs==15.0.1
+confection==0.1.5
+contourpy==1.3.1
 ctranslate2==4.5.0
+cycler==0.12.1
+cymem==2.0.10
+en_core_web_sm @ https://github.com/explosion/spacy-models/releases/download/en_core_web_sm-3.8.0/en_core_web_sm-3.8.0-py3-none-any.whl#sha256=1932429db727d4bff3deed6b34cfc05df17794f4a52eeb26cf8928f7c1a0fb85
 faster-whisper==1.1.0
 filelock==3.16.1
 flatbuffers==24.3.25
+fonttools==4.55.0
+fr_core_news_sm @ https://github.com/explosion/spacy-models/releases/download/fr_core_news_sm-3.8.0/fr_core_news_sm-3.8.0-py3-none-any.whl#sha256=7d6ad14cd5078e53147bfbf70fb9d433c6a3865b695fda2657140bbc59a27e29
 fsspec==2024.10.0
 gitdb==4.0.11
 GitPython==3.1.43
@@ -21,22 +32,33 @@ idna==3.10
 Jinja2==3.1.4
 jsonschema==4.23.0
 jsonschema-specifications==2024.10.1
+kiwisolver==1.4.7
+langcodes==3.5.0
+langdetect==1.0.9
+language_data==1.3.0
+marisa-trie==1.2.1
 markdown-it-py==3.0.0
 markdownify==0.11.6
 MarkupSafe==3.0.2
+matplotlib==3.9.3
 mdurl==0.1.2
 mpmath==1.3.0
+murmurhash==1.0.11
 narwhals==1.15.0
-numpy==1.26.4
+numpy==2.0.2
 onnxruntime==1.20.1
 packaging==24.2
-pandas==2.2.0
+pandas==2.2.3
 pillow==11.0.0
 plotly==5.24.1
+preshed==3.0.9
 protobuf==5.29.0
 pyarrow==17.0.0
+pydantic==2.10.2
+pydantic_core==2.27.1
 pydeck==0.9.1
 Pygments==2.18.0
+pyparsing==3.2.0
 python-dateutil==2.9.0.post0
 python-dotenv==1.0.1
 pytz==2024.2
@@ -46,18 +68,30 @@ requests==2.31.0
 rich==13.9.4
 rpds-py==0.21.0
 setuptools==75.6.0
+shellingham==1.5.4
 six==1.16.0
+smart-open==7.0.5
 smmap==5.0.1
 soupsieve==2.6
+spacy==3.8.2
+spacy-language-detection==0.2.1
+spacy-legacy==3.0.12
+spacy-loggers==1.0.5
+srsly==2.4.8
 streamlit==1.40.2
 sympy==1.13.3
 tenacity==9.0.0
+thinc==8.3.2
 tokenizers==0.21.0
 toml==0.10.2
 tornado==6.4.2
 tqdm==4.67.1
+typer==0.14.0
 typesense==0.21.0
 typing_extensions==4.12.2
 tzdata==2024.2
 urllib3==2.2.3
+wasabi==1.1.3
+weasel==0.4.1
+wrapt==1.17.0
 xmltodict==0.13.0

import_data/utils/documents_to_database.py

@@ -1,11 +1,72 @@
 import tqdm
+import spacy
+from spacy.language import Language
+from spacy_language_detection import LanguageDetector
+from urlextract import URLExtract
+import requests
 
 from .typesense_client import client
 
+# Load spaCy models
+nlp_en = spacy.load("en_core_web_sm")
+nlp_fr = spacy.load("fr_core_news_sm")
+
+# Create language detector
+def get_lang_detector(nlp, name):
+    return LanguageDetector(seed=42)
+
+Language.factory("language_detector", func=get_lang_detector)
+nlp_en.add_pipe("language_detector", last=True)
+
+# Initialize URL extractor
+extractor = URLExtract()
+
+def count_words(text, lang):
+    if lang == 'en':
+        doc = nlp_en(text)
+    elif lang == 'fr':
+        doc = nlp_fr(text)
+    else:
+        # Default to English if language is not supported
+        doc = nlp_en(text)
+    
+    # Count words excluding stopwords
+    word_count = len([token for token in doc if not token.is_stop and not token.is_punct])
+    return word_count
+
+def resolve_shortened_url(url):
+    try:
+        response = requests.head(url, allow_redirects=True, timeout=5)
+        return response.url
+    except:
+        return url
+
+def extract_and_resolve_urls(text):
+    urls = extractor.find_urls(text)
+    resolved_urls = [resolve_shortened_url(url) for url in urls]
+    return list(set(resolved_urls))  # Remove duplicates
+
 def documents_to_database(documents_list, os_client=client):
     try:
         for document in tqdm.tqdm(documents_list.to_dict(orient='records')):
+            # Detect language
+            doc = nlp_en(document['texte'])
+            lang = doc._.language['language']
+            
+            # Count words
+            word_count = count_words(document['texte'], lang)
+            
+            # Extract and resolve URLs
+            urls = extract_and_resolve_urls(document['texte'])
+            
+            # Add language, word count, and URLs to the document
+            document['langue'] = lang
+            document['nombre_de_mots'] = word_count
+            document['texte_urls'] = urls
+            
+            # Create document in Typesense
             os_client.collections['social_media_posts'].documents.create(document)
+        
         print(f"Successfully inserted {len(documents_list)} documents.")
     except Exception as e:
         print(f"Error inserting documents: {str(e)}")

search_app_ui/run_streamlit_app.py

@@ -0,0 +1,25 @@
+import subprocess
+import os
+
+
+def run_streamlit_app():
+    # Obtenir le chemin du répertoire courant
+    current_dir = os.path.dirname(os.path.abspath(__file__))
+
+    # Construire le chemin vers streamlit_app.py
+    app_path = os.path.join(current_dir, 'streamlit_app.py')
+
+    # Commande pour exécuter l'application Streamlit
+    command = f"streamlit run {app_path}"
+
+    try:
+        # Exécuter la commande
+        subprocess.run(command, shell=True, check=True)
+    except subprocess.CalledProcessError as e:
+        print(f"Erreur lors du lancement de l'application Streamlit : {e}")
+    except Exception as e:
+        print(f"Une erreur inattendue s'est produite : {e}")
+
+
+if __name__ == "__main__":
+    run_streamlit_app()

search_app_ui/streamlit_app.py

@@ -77,12 +77,15 @@ client = typesense.Client({
     'connection_timeout_seconds': 2
 })
 
+
 def rechercher_documents(cette_requete, ces_filtres=None, facette_par=None):
     parametres_recherche = {
         'q': cette_requete,
-        'query_by': 'texte',
+        'query_by': 'texte,embedding',
-        'sort_by': 'creation_timestamp:desc',
+        'sort_by': '_text_match(buckets: 10):desc,creation_timestamp:desc',
-        'per_page': 100,
+        "exclude_fields": "embedding",
+        "prefix": "false",
+        'per_page': 10,
         'page': 1
     }
 
@@ -92,31 +95,72 @@ def rechercher_documents(cette_requete, ces_filtres=None, facette_par=None):
     if facette_par:
         parametres_recherche['facet_by'] = facette_par
 
-    all_results = []
+    st.write("Search parameters:", parametres_recherche)
-    while True:
+
-        results = client.collections['social_media_posts'].documents.search(parametres_recherche)
+    all_results = []
-        all_results.extend(results['hits'])
+    try:
-        if len(all_results) >= results['found']:
+        while True:
-            break
+            results = client.collections['social_media_posts'].documents.search(parametres_recherche)
-        parametres_recherche['page'] += 1
+            all_results.extend(results['hits'])
+            if len(all_results) >= results['found']:
+                break
+            parametres_recherche['page'] += 1
+        results['hits'] = all_results
+        return results
+
+    except Exception as e:
+        st.error(f"Error during search: {str(e)}")  # Error handling
+
+
+# Récupérer dynamiquement les réseaux depuis Typesense
+def get_networks():
+    search_parameters = {
+        'q': '*',
+        'query_by': 'network',
+        'facet_by': 'network',
+        'per_page': 0
+    }
+    try:
+        results = client.collections['social_media_posts'].documents.search(search_parameters)
+        networks = [facet['value'] for facet in results['facet_counts'][0]['counts']]
+        return networks
+    except Exception as e:
+        st.error(f"Erreur lors de la récupération des réseaux : {str(e)}")
+        return ['Facebook', 'Instagram', 'Threads', 'LinkedIn', 'WordPress']  # Valeurs par défaut en cas d'erreur
 
-    results['hits'] = all_results
-    return results
 
 # Interface utilisateur Streamlit
 st.title('Recherche dans tes contenus publiés sur le web')
 
+# Indiquer le nombre total de documents indexés dans Typesense
+collections = client.collections.retrieve()
+total_documents = sum(collection['num_documents'] for collection in collections)
+
+st.write(f"Total documents indexés: {total_documents}")
+
 # Champ de recherche
 requete = st.text_input('Entrez votre requête de recherche')
 
 # Filtre de plage de dates
 col1, col2 = st.columns(2)
-date_debut = col1.date_input('Date de début')
+date_debut = col1.date_input('Date de début', value=datetime.now() - pd.DateOffset(years=1))
-date_fin = col2.date_input('Date de fin')
+date_fin = col2.date_input('Date de fin', value=datetime.now())
 
 # Filtre de réseau social
-reseaux = ['Facebook', 'Instagram', 'Threads' ,'LinkedIn', 'WordPress']
+
-reseaux_selectionnes = st.multiselect('Sélectionnez les réseaux sociaux', reseaux)
+reseaux = get_networks()
+reseaux_selectionnes = st.multiselect('Sélectionnez les réseaux sociaux', reseaux,
+                                      default=reseaux[0] if reseaux else None)
+
+# Filtre de langue
+langues = [('fr', 'Français'), ('en', 'English')]
+langue_selectionnees = st.multiselect('Sélectionnez la langue',
+                                      options=[label for code, label in langues],
+                                      format_func=lambda x: x,
+                                      default='Français')
+
+# Convertir les étiquettes en codes de langage
+selected_lang_codes = [code for code, label in langues if label in langue_selectionnees]
 
 if st.button('Rechercher'):
     # Préparer les filtres
@@ -124,8 +168,9 @@ if st.button('Rechercher'):
     fin_datetime = datetime.combine(date_fin, time.max)
     filtre_date = f"creation_timestamp:[{int(debut_datetime.timestamp())}..{int(fin_datetime.timestamp())}]"
     filtre_reseau = f"network:[{' '.join(reseaux_selectionnes)}]" if reseaux_selectionnes else None
+    filtre_langue = f"langue:[{' '.join(selected_lang_codes)}]" if selected_lang_codes else None
 
-    filtres = ' && '.join(filter(None, [filtre_date, filtre_reseau]))
+    filtres = ' && '.join(filter(None, [filtre_date, filtre_reseau, filtre_langue]))
 
     # Effectuer la recherche pour tous les résultats
     tous_resultats = rechercher_documents(requete, ces_filtres=filtres, facette_par='network')
@@ -134,13 +179,43 @@ if st.button('Rechercher'):
     # Afficher le nombre total de résultats
     st.subheader(f"Trouvé {nombre_total_resultats} résultats")
 
+    # Affichage des résultats (100 maximum)
+    st.subheader("Résultats de la recherche")
+
+    for hit in tous_resultats['hits'][:100]:  # Limite à 100 résultats
+        col1, col2 = st.columns([1, 4])
+
+        with col1:
+            st.markdown(f"**{hit['document']['network']}**")
+            st.markdown(
+                f"**{datetime.fromtimestamp(hit['document']['creation_timestamp']).strftime('%Y-%m-%d %H:%M:%S')}**")
+
+            # Étiquettes de couleur pour les facettes
+            st.markdown(f"""
+            <span style="background-color: #007bff; color: white; padding: 2px 6px; border-radius: 10px;">
+            {hit['document']['langue']}
+            </span>
+            """, unsafe_allow_html=True)
+
+        with col2:
+            # Boîte de texte pour le contenu
+            st.text_area("Contenu", hit['document']['texte'], height=150)
+
+            # URI en dessous
+            if 'uri' in hit['document']:
+                st.markdown(f"[Lien vers le post original]({hit['document']['uri']})")
+
+        st.markdown("---")
+
     # Afficher les facettes
     if 'facet_counts' in tous_resultats:
-        facettes_reseau = {facette['value']: facette['count'] for facette in tous_resultats['facet_counts'][0]['counts']}
+        facettes_reseau = {facette['value']: facette['count'] for facette in
+                           tous_resultats['facet_counts'][0]['counts']}
         st.subheader("Résultats par Réseau")
 
         # Graphique en camembert pour montrer la distribution des résultats par réseau social
-        fig = px.pie(values=list(facettes_reseau.values()), names=list(facettes_reseau.keys()), title="Distribution par Réseau")
+        fig = px.pie(values=list(facettes_reseau.values()), names=list(facettes_reseau.keys()),
+                     title="Distribution par Réseau")
         # Ce graphique montre la proportion de résultats pour chaque réseau social
         st.plotly_chart(fig)
 
@@ -180,21 +255,3 @@ if st.button('Rechercher'):
         df_pivot['mois'] = df_pivot['mois'].dt.strftime('%B %Y')
         # Ce tableau fournit un résumé détaillé du nombre de posts par réseau social pour chaque mois
         st.dataframe(df_pivot)
-    
-    # Créer une chaîne pour contenir tous les résultats
-    all_results_text = ""
-
-    # Peupler la chaîne avec tous les résultats
-    for hit in tous_resultats['hits']:
-        horodatage = hit['document']['creation_timestamp']
-        all_results_text += f"**{hit['document']['network']}** - {datetime.fromtimestamp(horodatage).strftime('%Y-%m-%d %H:%M:%S')}\n\n"
-
-        paragraphes = hit['document']['texte'].split('\n')
-        for paragraphe in paragraphes:
-            if paragraphe.strip():
-                all_results_text += f"{paragraphe}\n\n"
-
-        all_results_text += "---\n\n"
-
-    # Afficher les résultats dans une zone de texte
-    st.text_area("Résultats de la recherche", all_results_text, height=400)

typesense_stats/typesense_stats.py

@@ -0,0 +1,106 @@
+import typesense
+from dotenv import load_dotenv
+import os
+from datetime import datetime
+import pandas as pd
+
+## %% Configuration initiale
+# Charger les variables d'environnement et initialiser le client Typesense
+load_dotenv()
+
+# Initialiser le client Typesense
+client = typesense.Client({
+    'nodes': [{
+        'host': os.getenv('TYPESENSE_HOST', 'localhost'),
+        'port': os.getenv('TYPESENSE_PORT', '8108'),
+        'protocol': os.getenv('TYPESENSE_PROTOCOL', 'http')
+    }],
+    'api_key': os.getenv('TYPESENSE_API_KEY'),
+    'connection_timeout_seconds': 2
+})
+
+## %% Fonction pour obtenir les statistiques d'index
+def get_index_stats():
+    collections = client.collections.retrieve()
+    total_documents = sum(collection['num_documents'] for collection in collections)
+    
+    print(f"Nombre total de documents indexés : {total_documents}")
+    print("\nStatistiques par collection :")
+    for collection in collections:
+        print(f"  {collection['name']}: {collection['num_documents']} documents")
+
+## %% Fonction pour obtenir la distribution par réseau social
+def get_network_distribution():
+    search_parameters = {
+        'q': '*',
+        'query_by': 'texte',
+        'facet_by': 'network',
+        'per_page': 0
+    }
+    
+    result = client.collections['social_media_posts'].documents.search(search_parameters)
+    
+    network_counts = {facet['value']: facet['count'] for facet in result['facet_counts'][0]['counts']}
+    
+    print("\nDistribution par réseau social :")
+    for network, count in network_counts.items():
+        print(f"  {network}: {count}")
+
+## %% Fonction pour obtenir la distribution temporelle
+def get_temporal_distribution():
+    search_parameters = {
+        'q': '*',
+        'query_by': 'texte',
+        'per_page': 250,  # Maximum autorisé par Typesense
+        'sort_by': 'creation_timestamp:asc',
+        'page': 1
+    }
+    
+    all_dates = []
+    while True:
+        result = client.collections['social_media_posts'].documents.search(search_parameters)
+        
+        if not result['hits']:
+            break
+        
+        dates = [datetime.fromtimestamp(hit['document']['creation_timestamp']) for hit in result['hits']]
+        all_dates.extend(dates)
+        
+        search_parameters['page'] += 1
+    
+    df = pd.DataFrame({'date': all_dates})
+    df['month'] = df['date'].dt.to_period('M')
+    monthly_counts = df['month'].value_counts().sort_index()
+    
+    print("\nDistribution temporelle (par mois) :")
+    for month, count in monthly_counts.items():
+        print(f"  {month}: {count}")
+
+## %% Fonction pour obtenir un échantillon de documents
+def get_document_sample(sample_size=5):
+    search_parameters = {
+        'q': '*',
+        'query_by': 'texte',
+        'per_page': sample_size,
+        'sort_by': 'creation_timestamp:desc'
+    }
+
+    result = client.collections['social_media_posts'].documents.search(search_parameters)
+
+    print(f"\nÉchantillon de {sample_size} documents récents :")
+    for hit in result['hits']:
+        doc = hit['document']
+        print(f"\n  ID: {doc.get('id', 'N/A')}")
+        print(f"  Réseau: {doc.get('network', 'N/A')}")
+        print(f"  Type: {doc.get('type', 'N/A')}")
+        print(f"  Date: {datetime.fromtimestamp(doc['creation_timestamp']).strftime('%Y-%m-%d %H:%M:%S')}")
+        print(f"  Texte: {doc.get('texte', 'N/A')[:100]}...")  # Afficher les 100 premiers caractères du texte
+        print(f"  URL: {doc.get('uri', 'N/A')}")
+        print(f"  Langue: {doc.get('langue', 'N/A')}")
+
+## %% Point d'entrée principal du script
+if __name__ == "__main__":
+    get_index_stats()
+    get_network_distribution()
+    get_temporal_distribution()
+    get_document_sample()