[Python] N'est-ce pas le plus élevé et le plus élevé si vous pouvez saisir les caractéristiques d'une entreprise avec nlplot?

Déclencheur

Actuellement, je suis stagiaire pour l'analyse de données chez EXIDEA Co., Ltd., qui développe des outils d'écriture SEO. Cela fait quatre mois que j'ai commencé à travailler, mais en raison de l'influence de Corona, je n'ai jamais rencontré personne dans l'entreprise. Mais quelles sont les caractéristiques des buveurs en ligne réguliers et des réunions quotidiennes? Je comprends enfin. De plus, j'entends souvent le mot ** «recrutement» ** lors de récentes réunions mensuelles. Non limité aux sociétés de capital-risque, je pense que de nombreuses entreprises utilisent Wantedly pour se concentrer sur les activités de recrutement. Dans cet article, ** L'article d'histoire de Wantedly sera une histoire pour re-reconnaître les caractéristiques et les sentiments de l'entreprise que vous souhaitez transmettre aux candidats à l'aide du package nlplot qui facilite la visualisation du langage naturel. ** **

Le code source est disponible sur Github, alors n'hésitez pas à nous contacter. https://github.com/yuuuusuke1997/Article_analysis

environnement

・ MacOS ・ Python 3.7.6 ・ Cahier Jupyter ・ Coque Zsh

Flux de l'histoire

1. [Collecte de données (grattage)](https://qiita.com/yuuuusuke1997/items/247eb06583ae8f653c2a#1-%E3%83%87%E3%83%BC%E3%82%BF%E3%81% AE% E5% 8F% 8E% E9% 9B% 86% E3% 82% B9% E3% 82% AF% E3% 83% AC% E3% 82% A4% E3% 83% 94% E3% 83% B3% E3% 82% B0)
2. [Analyse morphologique (MeCab)](https://qiita.com/yuuuusuke1997/items/247eb06583ae8f653c2a#2-%E5%BD%A2%E6%85%8B%E7%B4%A0%E8%A7%A3 % E6% 9E% 90mécab) Visualisation (nlplot)
3. Visualisation (nlplot)

1. Collecte de données (grattage)

1-1. Flux de raclage

Dans ce grattage, nous effectuerons la transition de la page Web comme suit et n'acquérirons que tous les articles de notre société. Avant le grattage, nous le ferons après avoir obtenu l'autorisation préalable de Wantedly. Merci de votre compréhension à l'avance.

1-2. Préparation préalable

La page Web de Wantedly charge l'article suivant en faisant défiler vers le bas de la page. Par conséquent, Selenium, qui automatise les opérations du navigateur, est utilisé dans les emplacements minimaux nécessaires pour acquérir des données. Pour faire fonctionner le navigateur, vous devez préparer un pilote ** compatible avec votre ** navigateur et installer la ** bibliothèque Selenium **. Depuis que j'aime Google Chrome, j'ai téléchargé le pilote Chrome à partir de ici et l'ai placé dans le répertoire suivant. De plus, veuillez remplacer * sous Utilisateurs par votre propre nom d'utilisateur, le cas échéant.

python

$ cd /Users/*/documents/nlplot
$ ls
article_analysis.ipynb
chromedriver
post_articles.csv
user_dic.csv

Installez la bibliothèque Selenium avec pip.

python

$ pip install selenium

Si vous voulez en savoir plus sur Selenium de l'installation à la méthode d'exploitation, vous pouvez vous référer à l'article ici. Maintenant que nous sommes prêts, nous allons en fait gratter.

1-3. Code source

article_analysis.ipynb

import json
import re
import time

import pandas as pd
import requests
from bs4 import BeautifulSoup as bs4
from selenium import webdriver

base_url = 'https://www.wantedly.com'


def scrape_path(url):
    """
Obtenez l'URL de la page de détail de l'espace à partir de la page de liste d'articles

    Parameters
    --------------
    url: str
URL de la page de liste d'articles

    Returns
    ----------
    path_list: list of str
Liste contenant l'URL de la page de détail de l'espace
    """

    path_list = []

    response = requests.get(url)
    soup = bs4(response.text, 'lxml')
    time.sleep(3)

    # <script data-placeholder-key="wtd-ssr-placeholder">Obtenez le contenu
    #Au début du caractère json'//'Retirer.string[3:]
    feeds = soup.find('script', {'data-placeholder-key': 'wtd-ssr-placeholder'}).string[3:]
    feed = json.loads(feeds)

    # {'body'}de'spaces'Avoir
    feed_spaces = feed['body'][list(feed['body'].keys())[0]]['spaces']
    for i in feed_spaces:
        space_path = base_url + i['post_space_path']
        path_list.append(space_path)

    return path_list


path_list = scrape_path('https://www.wantedly.com/companies/exidea/feed')


def scrape_url(path_list):
    """
Obtenez l'URL de la page de détails de l'histoire à partir de la page de détails de l'espace

    Parameters
    --------------
    path_list: list of str
Liste contenant l'URL de la page de détail de l'espace

    Returns
    ----------
    url_list: list of str
Liste contenant les URL des pages de détails de l'histoire
    """

    url_list = []

    #Lancer chrome(chromedriver est placé dans le même répertoire que ce fichier)
    driver = webdriver.Chrome('chromedriver')
    for feed_path in path_list:
        driver.get(feed_path)

        #Faites défiler vers le bas de la page et quittez le programme si vous ne pouvez plus faire défiler
        #Hauteur avant le défilement
        last_height = driver.execute_script("return document.body.scrollHeight")

        while True:
            #Faites défiler vers le bas de la page
            driver.execute_script('window.scrollTo(0, document.body.scrollHeight);')

            #Le traitement au sélénium est trop rapide pour charger une nouvelle page, donc attente forcée
            time.sleep(3)

            #Hauteur après défilement
            new_height = driver.execute_script("return document.body.scrollHeight")

            # last_la hauteur est nouvelle_Faites défiler jusqu'à ce qu'il corresponde à la hauteur de la hauteur
            if new_height == last_height:
                break
            else:
                last_height = new_height
                continue

        soup = bs4(driver.page_source, 'lxml')
        time.sleep(3)
        # <div class="post-space-item" >Obtenez l'élément de
        post_space = soup.find_all('div', class_='post-content')
        for post in post_space:
            # <"post-space-item">de<a>Obtenir l'élément
            url = base_url + post.a.get('href')
            url_list.append(url)

    url_list = list(set(url_list))

    #Fermer la page Web
    driver.close()
    return url_list


url_list = scrape_url(path_list)


def get_text(url_list, wrong_name, correct_name):
    """
Obtenir le texte de la page de détails de l'histoire

    Parameters
    --------------
    url_list: list of str
Liste contenant les URL des pages de détails de l'histoire
    wrong_name: str
Nom d'entreprise erroné
    correct_name: str
Nom correct de l'entreprise

    Returns
    ----------
    text_list: list of str
Liste contenant des histoires
    """

    text_list = []

    for url in url_list:
        response = requests.get(url)
        soup = bs4(response.text, 'lxml')
        time.sleep(3)

        # <section class="article-description" data-post-id="○○○○○○">Dans<p>Obtenez tous les éléments
        articles = soup.find('section', class_='article-description').find_all('p')
        for article in articles:
            #Fractionner par délimiteur
            for text in re.split('[\n!?！？。]', article.text):
                #Prétraitement
                replaced_text = text.lower()  #Conversion en minuscules
                replaced_text = re.sub(wrong_name, correct_name, replaced_text)  #Convertir le nom de l'entreprise en majuscules
                replaced_text = re.sub(r'https?://[\w/:%#\$&\?\(\)~\.=\+\-…]+', '', replaced_text)  #Supprimer l'URL
                replaced_text = re.sub('[0-9]', '', replaced_text)  #Exclure les nombres
                replaced_text = re.sub('[,:;-~%（）]', '', replaced_text)  #Remplacez le symbole par un espace demi-largeur
                replaced_text = re.sub('[,:; · ~% () ※ "" 【】 (Lol)]', '', replaced_text)  #Remplacez le symbole par un espace demi-largeur
                replaced_text = re.sub('　', '', replaced_text)  # \Supprimer u3000

                text_list.append(replaced_text)

    text_list = [x for x in text_list if x != '']
    return text_list


text_list = get_text(url_list, 'exidea', 'EXIDEA')

Enregistrez le texte récupéré dans un fichier CSV.

nlplot_articles.ipynb

df_text = pd.DataFrame(text_list, columns=['text'])
df_text.to_csv('post_articles.csv', index=False)

2. Analyse morphologique (MeCab)

2-1. Écoulement jusqu'à l'analyse morphologique

1. Paramètres d'installation et d'environnement de l'unité principale MeCab
2. Ajouter un dictionnaire IPA
3. Ajouter le dictionnaire NEologd
4. Création d'un dictionnaire utilisateur
5. Enfin l'analyse

2-1. Une courte pause

À partir de là, je vais commencer à installer MeCab et à faire diverses préparations, mais cela ne fonctionnera pas aussi bien que prévu et mon cœur sera brisé, donc j'espère que cela mènera à la motivation.

En premier lieu, pourquoi faites-vous une tâche aussi fastidieuse? Certaines personnes peuvent penser que taper sur $ brew install mecab ne fera qu'un seul coup. Cependant, afin d'obtenir le résultat de l'analyse morphologique avec nlplot comme vous le souhaitez, il est nécessaire d'enregistrer le code de caractère dans le dictionnaire utilisateur avec UTF-8, en utilisant le nom de la division et le mot de la société comme nomenclature appropriée. À la suite de l'installation avec brew pour plus de facilité, le code de caractère est devenu EUC-JP et j'ai dû prendre la peine deux fois. Par conséquent, si vous souhaitez vous en tenir au résultat de sortie, veuillez essayer la méthode à partir de maintenant. Si vous souhaitez l'essayer facilement, veuillez l'installer avec une infusion en vous reportant à ce qui suit.

Préparation de l'environnement pour l'utilisation de MeCab sur Mac

• Une addition Si quelqu'un sait comment spécifier le code de caractère avec brew, je vous serais reconnaissant de bien vouloir m'apprendre dans la section des commentaires.

2-2. Paramètres d'installation et d'environnement de l'unité principale MeCab

MeCab Depuis le site officiel, utilisez la commande curl pour télécharger ** MeCab lui-même ** et le ** dictionnaire IPA **. Cette fois, installez-le dans l'environnement local. Le premier est l'installation de MeCab lui-même.

python

#Créer le répertoire d'installation de mecab dans l'environnement local
$ mkdir /Users/*/opt/mecab
$ cd /Users/*/opt/mecab
#Dans le répertoire courant-o Télécharger en spécifiant le nom du fichier avec l'option
$ curl -Lo mecab-0.996.tar.gz 'https://drive.google.com/uc?export=download&id=0B4y35FiV1wh7cENtOXlicTFaRUE'
#Décompressez le fichier de code source
$ tar zxfv mecab-0.996.tar.gz
$ cd mecab-0.996
#Code de caractère UTF-Vérifiez s'il peut être compilé en spécifiant 8
$ ./configure --prefix=/Users/*/opt/mecab --with-charset=utf-8
#Compilez le Makefile créé par configure
$ make
#Vérifiez s'il fonctionne correctement avant l'installation
$ make check
#Fichier binaire compilé par make/Users/*/opt/Installer sur mecab
$ make install

Done

Si vous vous demandez ce qu'est configure, make, make install, here peut être utile.

Maintenant qu'il est installé, parcourons le chemin afin que nous puissions exécuter la commande mecab.

python

#Vérifier le type de coque
$ echo $SHELL
/bin/zsh
# .Ajouter un chemin à zshrc
$ echo 'export PATH=/Users/*/opt/mecab/bin:$PATH' >>  ~/.zshrc

"""
Mise en garde:Dernier par shell de connexion(~/.zshrc)changement
Exemple) $ echo 'export PATH=/Users/*/opt/mecab/bin:$PATH' >>  ~/.bash_profile
"""

#Reflète les paramètres de la coque
$ source ~/.zshrc
#Vérifiez si le pass a réussi
$ which mecab
/Users/*/opt/mecab/bin/mecab

Done

Article de référence: Qu'est-ce que PATH?

2-3. Ajout du dictionnaire IPA

python

#Déplacer vers le répertoire de départ
$ cd /Users/*/opt/mecab
#Dans le répertoire courant-o Télécharger en spécifiant le nom du fichier avec l'option
$ curl -Lo mecab-ipadic-2.7.0-20070801.tar.gz 'https://drive.google.com/uc?export=download&id=0B4y35FiV1wh7MWVlSDBCSXZMTXM'
#Décompressez le fichier de code source
$ tar zxfv mecab-ipadic-2.7.0-20070801.tar.gz
$ cd mecab-ipadic-2.7.0-20070801
#Code de caractère UTF-Vérifiez s'il peut être compilé en spécifiant 8
$ ./configure --prefix=/Users/*/opt/mecab --with-charset=utf-8
#Compilez le Makefile créé par configure
$ make
#Fichier binaire compilé par make/Users/*/opt/Installer sur mecab
$ make install

Done

#Confirmation du code de caractère
#Le code de caractère est EUC-Pour JP, UTF-Changer en 8
$ mecab -P | grep config-charset
config-charset: EUC-JP
#Fichier de paramètres de recherche
$ find /Users -name dicrc
/Users/*/opt/mecab/mecab-ipadic-2.7.0-20070801/dicrc
$ vim /Users/*/opt/mecab/mecab-ipadic-2.7.0-20070801/dicrc 
[Avant le changement] config-charset = EUC-JP
[Après modification] config-charset = UTF-8

$ mecab
J'arrêterai les humains! Jojo
Mon nom,Synonyme,Général,*,*,*,je,moi,moi
Est un assistant,Assistance,*,*,*,*,Est,C,sensationnel
Nomenclature humaine,Général,*,*,*,*,Humain,Ningen,Ningen
Auxiliaire,Assistant de cas,Général,*,*,*,À,Wo,Wo
Quitter le verbe,Indépendance,*,*,Un pas,Forme basique,Arrêtez,Yamel,Yamel
Assistant Zo,Aide finale,*,*,*,*,Je suis désolé,Zo,Zo
!! symbole,Général,*,*,*,*,！,！,！
Jojo substantif,Nomenclature propriétaire,Organisation,*,*,*,*
EOS

#Vérifiez le répertoire du dictionnaire IPA
$ find /Users -name ipadic
/Users/*/opt/mecab/lib/mecab/dic/ipadic

2-3. Ajout du dictionnaire NEologd

python

#Déplacer vers le répertoire de départ
cd /Users/*/opt/mecab
#Téléchargez le code source depuis github
$ git clone --depth 1 https://github.com/neologd/mecab-ipadic-neologd.git
$ cd mecab-ipadic-neologd
#Entrez "oui" sur l'écran pour exécuter et vérifier le résultat
$ ./bin/install-mecab-ipadic-neologd -n

Done

#Confirmation du code de caractère
#Le code de caractère est EUC-Pour JP, UTF-Changer en 8
$ mecab -d /Users/*/opt/mecab/lib/mecab/dic/mecab-ipadic-neologd -P | grep config-charset
config-charset: EUC-JP
#Fichier de paramètres de recherche
$ find /Users -name dicrc
/Users/*/opt/mecab/lib/mecab/dic/mecab-ipadic-neologd/dicrc
$ vim /Users/*/opt/mecab/lib/mecab/dic/mecab-ipadic-neologd/dicrc
[Avant le changement] config-charset = EUC-JP
[Après modification] config-charset = UTF-8

#Vérifiez le répertoire du dictionnaire NEologd
$ find /Users -name mecab-ipadic-neologd
/Users/*/opt/mecab/lib/mecab/dic/mecab-ipadic-neologd

$echo «Je quitte les humains!| mecab -d /Users/*/opt/mecab/lib/mecab/dic/mecab-ipadic-neologd
"Symbole,Ouvrir les parenthèses,*,*,*,*,“,“,“
J'arrêterai les humains! nom,Nomenclature propriétaire,Général,*,*,*,Je vais quitter les humains!,Orehaningen Woyamerzo,Orewaningen Oyamelzo
Jojo substantif,Général,*,*,*,*,*
EOS

Officiel Github: mecab-ipadic-neologd

python

#Enfin pip pour pouvoir utiliser mecab avec python3
$ pip install mecab-python3

2-4. Création d'un dictionnaire utilisateur

Le dictionnaire utilisateur crée des mots que le dictionnaire système ne peut pas gérer en donnant un sens à l'utilisateur.

Tout d'abord, créez un fichier csv selon le format du mot que vous souhaitez ajouter. Visualisez-le une fois, et s'il y a un mot qui vous intéresse, essayez d'ajouter le mot au fichier csv.

python

"""
format
Type de surface,ID de contexte gauche,ID de contexte correct,Coût,Partie,Partie細分類1,Partie細分類2,Partie細分類3,Type d'utilisation,Type d'utilisation,Prototype,en train de lire,prononciation
"""

#création de fichier csv
$ echo 'Étudiant stagiaire,-1,-1,1,nom,Général,*,*,*,*,*,*,*,Stagiaire Say'"\n"'La valeur de base,-1,-1,1,nom,Général,*,*,*,*,*,*,*,La valeur de base'"\n"'Se rencontrer,-1,-1,1,nom,Général,*,*,*,*,*,*,*,Se rencontrer' > /Users/*/Documents/nlplot/user_dic.csv

#Vérifiez le code de caractère du fichier csv
$ file /Users/*/Documents/nlplot/user_dic.csv
/users/*/documents/nlplot/user_dic.csv: UTF-8 Unicode text

Ensuite, compilez le fichier csv créé dans un dictionnaire utilisateur.

python

#Créer un répertoire de destination pour le dictionnaire utilisateur
$ mkdir /Users/*/opt/mecab/lib/mecab/dic/userdic

"""
-d Répertoire avec dictionnaire système
-u utilisateur-Où enregistrer le dictionnaire
-f Code de caractère du fichier CSV
-t Code de caractère du dictionnaire utilisateur/Où enregistrer le fichier csv
"""

##Créer un dictionnaire utilisateur
/Users/*/opt/mecab/libexec/mecab/mecab-dict-index \
-d /Users/*/opt/mecab/lib/mecab/dic/mecab-ipadic-neologd \
-u /Users/*/opt/mecab/lib/mecab/dic/userdic/userdic.dic \
-f utf-8 -t utf-8 /Users/*/Documents/nlplot/user_dic.csv

# userdic.Confirmez que le dic est terminé
$ find /Users -name userdic.dic
/Users/*/opt/mecab/lib/mecab/dic/userdic/userdic.dic

Maintenant que nous avons installé mecab et créé un dictionnaire utilisateur, nous allons passer à l'analyse morphologique.

Article de référence: Comment ajouter des mots

2-5. Analyse finale

Commencez par charger le fichier csv créé lors du scraping.

nlplot_articles.ipynb

df = pd.read_csv('post_articles.csv')
df.head()

Dans nlplot, nous voulons produire des phrases mot par mot, nous effectuons donc une analyse morphologique avec la nomenclature.

article_analysis.ipynb

import MeCab

def download_slothlib():
    """
Chargez SlothLib et créez un mot d'arrêt

    Returns
    ----------
    slothlib_stopwords: list of str
Liste contenant des mots vides
    """

    slothlib_path = 'http://svn.sourceforge.jp/svnroot/slothlib/CSharp/Version1/SlothLib/NLP/Filter/StopWord/word/Japanese.txt'
    response = requests.get(slothlib_path)
    soup = bs4(response.content, 'html.parser')
    slothlib_stopwords = [line.strip() for line in soup]
    slothlib_stopwords = slothlib_stopwords[0].split('\r\n')
    slothlib_stopwords = [x for x in slothlib_stopwords if x != '']
    return slothlib_stopwords


stopwords = download_slothlib()


def add_stopwords():
    """
Ajouter des mots vides aux mots vides

    Returns
    ----------
    stopwords: list of str
Liste contenant des mots vides
    """

    add_words = ['Voir', 'Compagnie', 'J'adorerais', 'Par tous les moyens', 'Récit', '弊Compagnie', 'Humain', 'Quoi', 'article', 'Autre que', 'Hmm', 'de', 'Moi', 'Sa', 'comme ça']
    stopwords.extend(add_words)
    return stopwords


stopwords = add_stopwords()


def tokenize_text(text):
    """
Extraire uniquement la nomenclature par analyse morphologique

    Parameters
    --------------
    text: str
Texte stocké dans le dataframe

    Returns
    ----------
    nons_list: list of str
Une liste qui ne contient que la nomenclature après analyse morphologique
    """

    #Spécifiez le répertoire dans lequel le dictionnaire utilisateur et le dictionnaire neologd sont enregistrés
    tagger = MeCab.Tagger('-d /Users/*/opt/mecab/lib/mecab/dic/mecab-ipadic-neologd -u /Users/*/opt/mecab/lib/mecab/dic/userdic/userdic.dic')
    node = tagger.parseToNode(text)
    nons_list = []
    while node:
        if node.feature.split(',')[0] in ['nom'] and node.surface not in stopwords:
            nons_list.append(node.surface)
        node = node.next
    return nons_list


df['words'] = df['text'].apply(tokenize_text)

article_analysis.ipynb

df.head()

3. Visualisation (nlplot)

3-1. Préparation préalable

python

$ pip install nlplot

3-2. uni-gram

nlplot_articles.ipynb

import nlplot

#Spécifiez les mots de df
npt = nlplot.NLPlot(df, taget_col='words')

# top_Top 2 des mots qui apparaissent fréquemment dans n, min_Spécifiez les sous-mots fréquents avec freq
#Top 2 mots: ['Compagnie', 'travaux']
stopwords = npt.get_stopword(top_n=2, min_freq=0)

npt.bar_ngram(
    title='uni-gram',
    xaxis_label='word_count',
    yaxis_label='word',
    ngram=1,
    top_n=50,
    stopwords=stopwords,
    save=True
)

3-3. bi-gram

nlplot_articles.ipynb

npt.bar_ngram(
    title='bi-gram',
    xaxis_label='word_count',
    yaxis_label='word',
    ngram=2,
    top_n=50,
    stopwords=stopwords,
    save=True
)

3-4. tri-gram

nlplot_articles.ipynb

npt.bar_ngram(
    title='tri-gram',
    xaxis_label='word_count',
    yaxis_label='word',
    ngram=3,
    top_n=50,
    stopwords=stopwords,
    save=True
)

3-5. tree map

nlplot_articles.ipynb

npt.treemap(
    title='tree map',
    ngram=1,
    stopwords=stopwords,
    width=1200,
    height=800,
    save=True
)

3-6. wordcloud

nlplot_articles.ipynb

npt.wordcloud(
    stopwords=stopwords,
    max_words=100,
    max_font_size=100,
    colormap='tab20_r',
    save=True
)

3-7. Réseau coopératif

nlplot_articles.ipynb

npt.build_graph(stopwords=stopwords, min_edge_frequency=13)

display(
    npt.node_df, npt.node_df.shape,
    npt.edge_df, npt.edge_df.shape
)

npt.co_network(
    title='All sentiment Co-occurrence network',
    color_palette='hls',
    save=True
)

3-8. sunburst chart

nlplot_articles.ipynb

npt.sunburst(
    title='All sentiment sunburst chart',
    colorscale=True,
    color_continuous_scale='Oryel',
    width=800,
    height=600,
    save=True
)

Article de référence: La bibliothèque "nlplot" qui permet de visualiser et d'analyser facilement les langages naturels a été publiée

Résumé

En le visualisant, j'ai senti que j'étais en mesure d'incarner la ligne directrice d'action "Le partage" qu'EXIDEA chérit à nouveau. En particulier, l'action est heureuse et sincère. Et l'altruiste est au premier plan dans l'article, et par conséquent, je pense que j'ai pu rencontrer des amis qui peuvent parler du meilleur environnement de travail, de ce que je veux réaliser et de mes inquiétudes. Bien qu'il soit encore rare que je puisse contribuer à l'entreprise dans mon travail quotidien, j'aimerais maximiser ce que je peux faire maintenant, comme m'engager pleinement dans la tâche qui m'incombe et l'envoyer à l'extérieur.

en conclusion

Dans cet article, j'ai pu réaffirmer l'importance du prétraitement. J'ai commencé avec le désir d'essayer nlplot, mais quand je l'ai visualisé sans prétraitement, la nomenclature appropriée était affichée en morphologie sur bi-gramme et tri-gramme, et le résultat était désastreux. Cela en valait la peine, et je pense que le meilleur avantage était que j'ai pu en apprendre davantage sur Linux lors de l'installation de mecab et de la création d'un dictionnaire utilisateur. Plutôt que de l'acquérir en tant que connaissance, je vais l'utiliser pour un apprentissage futur afin de ne pas négliger l'essentiel de bouger réellement mes mains.

Cela fait longtemps, mais merci d'avoir lu jusqu'ici. Si vous constatez des erreurs, je vous serais très reconnaissant de bien vouloir les signaler dans les commentaires.