iramuteq.org Git - iramuteq/blob - parse_factiva_txt.py

   1 #!/bin/env python
   2 # -*- coding: utf-8 -*-
   3 #Author: Pierre Ratinaud
   4 #Copyright (c) 2012-2013 Pierre Ratinaud
   5 #Lisense: GNU/GPL
   6
   7 import os
   8 import codecs
   9
  10
  11 #txtdir = 'dev/factiva_txt'
  12 #fileout = 'dev/factiva_txt_out.txt'
  13 #encodage_in = 'utf8'
  14 #encodage_out = 'utf8'
  15
  16
  17 def parsetxtpaste(txt):
  18     """
  19     parser de texte pour factiva
  20     à partir d'un copier/coller de la fenêtre de visualisation
  21     merci à Lucie Loubère pour l'astuce :)
  22     """
  23     no = ['NS','RE','IPD','CO','IN']  # les balises qui signalent une fin
  24     txt = txt.splitlines()
  25     keepline = False
  26     ucis = []
  27     for line in txt :
  28         if line.startswith('Article') :
  29             lp = line.split()
  30             if len(lp) > 2  :
  31                 if lp[2] == 'Article' :
  32                     ucis.append([[u'****'],''])
  33                     keepline = False
  34         if line.startswith('SN ') : #source
  35             source = '*source_' + line[4:].replace(' ','').replace('\'','').replace(u'´','').replace(u'’','').replace('-','').lower()
  36             ucis[-1][0].append(source)
  37         elif line.startswith('PD ') : #date
  38             mois_annee = '*ma_' + line[4:].split(' ')[1] + line[4:].split(' ')[2]
  39             ucis[-1][0].append(mois_annee)
  40             annee = u'*annee_' + line[4:].split(' ')[2]
  41             ucis[-1][0].append(annee)
  42         elif line.strip() in no : #fin
  43             keepline = False
  44         elif line.startswith('RF ') : #fin
  45             keepline = False
  46         elif line.strip() in ['LP', 'TD'] : #debut texte
  47             keepline = True
  48         else :
  49             pass
  50         if keepline and line.strip() not in ['LP', 'TD', ''] :
  51             ucis[-1][1] = '\n'.join([ucis[-1][1],line])
  52     return ucis
  53
  54
  55 def print_ucis(ucis, ofile, encodage) :
  56     #elimination des articles vides
  57     ucis = [uci for uci in ucis if uci[1].strip() != '']
  58     toprint = '\n\n'.join(['\n'.join([' '.join(uci[0]),uci[1]]) for uci in ucis])
  59     ofile.write(toprint.encode(encodage))
  60
  61 class ParseFactivaPaste :
  62     def __init__(self, txtdir, fileout, encodage_in, encodage_out) :
  63         files = os.listdir(txtdir)
  64         with open(fileout,'w') as outf :
  65             for f in files :
  66                 f= os.path.join(txtdir, f)
  67                 with codecs.open(f, 'rU', encodage_in) as infile :
  68                     content = infile.read()
  69                 ucis = parsetxtpaste(content)
  70                 print_ucis(ucis, outf, encodage_out)
  71
  72 #for dat in ['2001','2002','2003','2004', '2005','2006','2007','2008','2009','2010','2011'] :
  73 #    path = os.path.join(txtdir,dat)
  74 #    outfile = os.path.join(txtdir, 'corpus_' + dat + '.txt')
  75 #    doparse(path, outfile)
  76
  77
  78 if __name__ == '__main__' :
  79     doparse(txtdir, fileout, encodage_in, encodage_out)
  80     print 'fini'