-#!/bin/env python
# -*- coding: utf-8 -*-
#Author: Pierre Ratinaud
-#Copyright (c) 2012 Pierre Ratinaud
-#Lisense: GNU/GPL
+#Copyright (c) 2008-2020 Pierre Ratinaud
+#modification pour python 3 : Laurent Mérat, 6x7 - mai 2020
+#License: GNU/GPL
+#------------------------------------
+# import des modules python
+#------------------------------------
import os
import codecs
-#txtdir = 'dev/factiva_txt' #repertoire des textes
-#txtdir = 'corpus/jeunesdebanlieues'
-#fileout = 'dev/factiva_txt_out.txt'
-#encodage_in = 'utf8'
-#encodage_out = 'utf8'
-
-
def parsetxtmail(txt):
"""
parser de texte pour factiva
"""
+
no = ['NS','RE','IPD','CO','IN'] # les balises qui signalent une fin
txt = txt.splitlines() #met le texte dans une liste de lignes
txt.pop(0) # la premiere ligne sert a rien
ucis.append([['****'],'']) # c'est une nouvelle uci
keepline = False
elif line.startswith('SN ') : #source
- source = '*source_' + line[4:].replace(' ','').replace('\'','').replace(u'´','').replace(u'’','').replace('-','').lower()
+ source = '*source_' + line[4:].replace(' ','').replace('\'','').replace('´','').replace('’','').replace('-','').lower()
ucis[-1][0].append(source)
elif line.startswith('PD ') : #date
- mois_annee = u'*ma_' + line[4:].split(' ')[1] + line[4:].split(' ')[2]
+ mois_annee = '*ma_' + line[4:].split(' ')[1] + line[4:].split(' ')[2]
ucis[-1][0].append(mois_annee)
- annee = u'*annee_' + line[4:].split(' ')[2]
+ annee = '*annee_' + line[4:].split(' ')[2]
ucis[-1][0].append(annee)
elif line in no : #fin
keepline = False
ucis[-1][1] = '\n'.join([ucis[-1][1],line])
return ucis
-
def print_ucis(ucis, ofile, encodage) :
ucis = [uci for uci in ucis if uci[1].strip() != '']
toprint = '\n'.join(['\n'.join([' '.join(uci[0]),uci[1]]) for uci in ucis])
- ofile.write(toprint.encode(encodage))
+ ofile.write(toprint)
+
class ParseFactivaMail :
+
def __init__(self, txtdir, fileout, encodage_in, encodage_out) :
files = os.listdir(txtdir) #liste des fichiers dans txtdir
with open(fileout,'w') as outf : #ouverture du fichier en sortie
content = infile.read() #lecture du fichier
ucis = parsetxtmail(content)
print_ucis(ucis, outf, encodage_out)
-
-#for dat in ['2001','2002','2003','2004', '2005','2006','2007','2008','2009','2010','2011'] :
-# path = os.path.join(txtdir,dat)
-# outfile = os.path.join(txtdir, 'corpus_' + dat + '.txt')
-# doparse(path, outfile)
-
-
-if __name__ == '__main__' :
- doparse(txtdir, fileout, encodage_in, encodage_out)
- print 'fini'