lexico

Lexico est un package R facilitant l’extraction et l’analyse lexicométrique de contenus vidéo YouTube. Il combine des utilitaires de scraping (API YouTube + sous-titres via yt-dlp) et des fonctions de préparation/normalisation pour travailler ensuite avec quanteda ou exporter/importer des corpus au format IRaMuTeQ.

Installation

L’installation se fait directement via mon github. Aucune diffusion sur CRAN n’est prévue à ce stade. Les fonctionnalités et noms des fonctions pourront subir des modifications majeures au fil des utilisations.

remotes::install_github("tdelc/lexico")

Prérequis

• Une clé API YouTube Data (v3) pour interroger les playlists et vidéos.
• L’outil en ligne de commande yt-dlp disponible dans le PATH pour télécharger les sous-titres.
• R (avec les dépendances déclarées dans DESCRIPTION, notamment quanteda, dplyr, httr, purrr, stringr, stopwords).
• IRaMuTeQ, pour créer les classes de segments de texte.

Aucune donnée n’est distribuée avec le package : seules les fonctions sont fournies, le téléchargement restant à la charge de l’utilisateur·rice.

Fonctionnalités principales

Scraping YouTube

• get_videos_info(api_key, playlist_id, max_results = 100): récupère les métadonnées d’une playlist (titre, description, date de publication, position, etc.).
• get_videos_stats(api_key, video_ids): complète les informations des vidéos (statistiques, durée, langue, tags…).
• get_videos_text``(``video_ids``, out_dir, yt_dlp = "yt-dlp", force_dl = FALSE): télécharge les sous-titres automatiques français d’une vidéo et les prépare en base de données minutée.
• run_complete_extraction(api_key, path, suffix, playlist_id, max_videos): pipeline clé en main pour une playlist : récupération des infos/ stats/text, sauvegarde en CSV.

IRaMuTeQ

• export_to_iramuteq(df, meta_cols, text_col, output_file): crée un fichier texte structuré pour IRaMuTeQ à partir d’un data.frame (métadonnées en en-tête ****).
• import_from_iramuteq(file): lit un export IRaMuTeQ et reconstruit un data.frame (métadonnées + texte).

Usage

Plusieurs vignettes sont rédigées pour aider à l’utilisation

• Scraper des playlists YouTube pour apprendre à extraire les vidéos, leurs sous-titres et mettre en format base de données les informations.

• Préparer les données textuelles où j’explique comment j’ai nettoyé le corpus.

• Préparer et exploiter des corpus avec IRaMuTeQ pour comprendre comment exploiter ce corpus avec IRaMuTeQ.

• Analyser les textes avec Quanteda pour l’analyse du corpus avec le package R Quanteda

Remarques

• Respectez les quotas de l’API YouTube et stockez votre clé dans une variable d’environnement.
• download_subtitles() accepte force_dl = TRUE pour forcer la mise à jour des sous-titres.
• Les multi-mots sont enregistrés avec _ pour les conserver lors de l’analyse lexicométrique.

Licence

Les codes sont publics sous licence gpl3. Aucune donnée n’est distribuée avec le package.