cfr_bar_parser

Un parser pentru Buletinele de Avizare Restrictii CFR

Requirements

R versiunea 3.6+ sau mai mult (rulat pe 4.0.3).
LibreOffice instalat in asa fel incat comanda soffice sa fie disponibila in $PATH. Motorul LibreOffice e chemat pentru un singur lucru, sa converteasca doc in docx. Pe un sistem Linux, daca aveti LibreOffice, e disponbil automat; daca nu, folositi managerul dvs. de pachete (ex. apt-get install libreoffice pe sisteme Debian/Ubuntu). Pe MacOS, folositi managerul de pachete Homebrew: brew install --cask libreoffice. Pe Windows, ar trebui sa functioneze cat timp puteti expune comanda soffice in PATH. Alternativ, puteti folosi Windows Subsystem for Linux pe care sa instalati R, curl si LibreOffice.
curl, orice versiune.

Instalare

Nu necesita vreo forma de instalare.

Rulare

Tot ce trebuie sa faceti este sa rulati Rscript CFR_BAR_extract.r. Alternativ, daca doriti rulare interactiva si debugging, un notebook Jupyter Notebook este furnizat.
La prima rulare, R isi va instala dependintele folosind managerul de pachete intern si arhiva CRAN. Este posibil sa vi se solicite sa selectati un server de download: alegeti oricare server. Instalarea dependintelor poate dura cateva minute, si va afisa foarte mult output. Se va intampla doar la prima rulare.
Scriptul este relativ lent. Conversia DOC in DOCX dureaza undeva la 1-1.5 minute (soffice este lent). Citirea si parsarea documentului de catre R dureaza, mai apoi, cateva minute (R este lent). Nu opriti rularea, merge.
Scriptul va da warning acolo unde intalneste un caz neimplementat, cel mai comun (adica in 4 locuri in tot BAR-ul) fiind firul III, pe care-l umple cu NA-uri pentru ca CFR foloseste o forma de tabel incompatibila. Mesajul NAs introduced by coercion se poate ignora fara probleme.
Scriptul va produce trei fisiere : bar_extras.csv si bar_extras.json cu datele parsate si bar.docx care este BAR-ul brut.

Note

As said, este lent, dar cum trebuie sa ruleze de 3/luna, este ok. Parserul R de docx este foarte lent, si single core, si nu se poate prespecifica ce sa parseze, pentru ca tot documentul este esential. soffice e foarte lent la conversie si el. Pe sistemul meu, BAR Bucuresti e parsat in 6 min : 13 sec.63 dar YMMV (sistemul nu ar trebui sa conteze; a fost rulat pe un OSX cu 32 GB RAM si i9, dar e single-core si a folosit <400 MB RAM).

BAR-urile par editate manual de CFR. Desi exista cateva "fallbacks" implementate, pot aparea anumite probleme neprevazute care sa duca la crash. Faceti un issue sau anuntati pe forum.

TODO