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

   1 #!/bin/env python
   2 # -*- coding: utf-8 -*-
   3 #Author: Pierre Ratinaud
   4 #Copyright (c) 2008-2010 Pierre Ratinaud
   5 #Lisense: GNU/GPL
   6
   7 import xml.dom.minidom
   8 import wx.lib.sized_controls as sc
   9 import wx.lib.filebrowsebutton as filebrowse
  10 import os
  11 import codecs
  12 import sys
  13 import re
  14 import wx
  15
  16
  17 def ParseDocument(filename) :
  18     print filename
  19     with codecs.open(filename, 'r', 'utf-8') as f :
  20         content = f.read()
  21     content = content.replace('<hlt>', ' ').replace('</hlt>', ' ')
  22     dom = xml.dom.minidom.parseString(content.encode("utf-8"))
  23     result = []
  24     articles = dom.getElementsByTagName("article")
  25     i = 0
  26     for article in articles :
  27         headline = article.getElementsByTagName("headline")
  28         if headline != [] :
  29             para_headline = headline[0].getElementsByTagName("paragraph")
  30             val_headline = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_headline]
  31         else :
  32             val_headline = []
  33         leadParagraph = article.getElementsByTagName("leadParagraph")
  34         if leadParagraph != [] :
  35             para_leadParagraph = leadParagraph[0].getElementsByTagName("paragraph")
  36             val_leadParagraph = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_leadParagraph]
  37         else :
  38             val_leadParagraph = []
  39         publicationDate = article.getElementsByTagName("publicationDate")
  40         if publicationDate != [] :
  41             para_publicationDate = publicationDate[0].getElementsByTagName("date")
  42             if para_publicationDate == [] :
  43                 para_publicationDate = publicationDate[0].getElementsByTagName("dateTime")
  44             val_publicationDate = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_publicationDate]
  45         else :
  46             val_publicationDate = []
  47         sourceName = article.getElementsByTagName("sourceName")
  48         if sourceName != [] :
  49             val_sourceName = sourceName[0].firstChild.nodeValue.replace('\n', ' ')
  50         else :
  51             val_sourceName = INCONNU
  52         tailParagraphs = article.getElementsByTagName("tailParagraphs")
  53         if tailParagraphs != [] :
  54             para_tailParagraphs = tailParagraphs[0].getElementsByTagName("paragraph")
  55             val_tailParagraphs = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_tailParagraphs]
  56         else :
  57             val_tailParagraphs = []
  58         inter = [' '.join(val_headline), val_sourceName,' '.join(val_publicationDate), ' '.join(val_leadParagraph), ' '.join(val_tailParagraphs)]
  59         inter = [re.sub(ur'[ "\n\r]+', ' ',  val).replace('"',' ').replace('\n', ' ').replace('\r', ' ')  for val in inter]
  60         #inter = ['"' + val +'"' for val in inter]
  61         result.append(inter)
  62     return result
  63
  64 def getcorpus_from_xml(xmldir, corpus_out):
  65     files = os.listdir(xmldir)
  66     files = [os.path.join(xmldir,file) for file in files if os.path.splitext(file)[1] == '.xml']
  67     if len(files) == 0 :
  68         return 'nofile'
  69     result = []
  70     fileout = codecs.open(corpus_out, 'w', 'utf-8')
  71     for file in files :
  72         rs = ParseDocument(file)
  73         #dates = [row[2].split('-') for row in rs]
  74         #dates = [[date[0],date[1],date[2].split('T')[0]] for date in dates]
  75         #txt = '\n'.join(['\n'.join([' '.join([u'****', '*%s' % row[1].replace(' ','_').replace('\'','_'), '*%s' % row[2].replace('-','_')]), row[3], row[4]]) for row in rs])
  76         #avec la date decompose
  77         txt = '\n'.join(['\n'.join([' '.join([u'****', '*s_%s' % row[1].replace(' ','').replace('\'',''), '*annee_%s' % row[2].split('-')[0], '*mois_%s' % row[2].split('-')[1], '*jour_%s' % row[2].split('-')[2].split('T')[0]]), row[3], row[4]]) for row in rs])
  78         fileout.write(txt+'\n\n')
  79     fileout.close()
  80     return 'ok'
  81
  82 class PrefImport(wx.Dialog):
  83     def __init__(self, parent, size=wx.DefaultSize, pos=wx.DefaultPosition, style=wx.DEFAULT_DIALOG_STYLE):
  84         pre = wx.PreDialog()
  85         pre.SetExtraStyle(wx.DIALOG_EX_CONTEXTHELP)
  86         pre.Create(parent, -1, '', pos, size, style)
  87         self.PostCreate(pre)
  88
  89         self.parent = parent
  90         self.txt1 = wx.StaticText(self, -1, u"Répertoire des fichiers xml")
  91         self.dbb = filebrowse.DirBrowseButton(self, -1, size=(450, -1), changeCallback = self.fbbCallback)
  92         self.dbb.SetLabel("")
  93         self.txt2 = wx.StaticText(self, -1, u"Fichier en sortie")
  94         self.fbb = filebrowse.FileBrowseButton(self, -1, size=(450, -1), fileMode = 2)
  95         self.fbb.SetLabel("")
  96
  97         self.btnsizer = wx.StdDialogButtonSizer()
  98         btn_ok = wx.Button(self, wx.ID_OK)
  99         btn = wx.Button(self, wx.ID_CANCEL)
 100         self.btnsizer.AddButton(btn_ok)
 101         self.btnsizer.AddButton(btn)
 102         self.btnsizer.Realize()
 103
 104
 105         self.Bind(wx.EVT_BUTTON, self.checkfile, btn_ok)
 106
 107         #self.SetButtonSizer(self.CreateStdDialogButtonSizer(wx.OK | wx.CANCEL))
 108         self.Bind(wx.EVT_BUTTON, self.checkfile)
 109
 110         self. __do_layout()
 111         #self.Fit()
 112         self.SetMinSize(self.GetSize())
 113
 114     def __do_layout(self):
 115         sizer = wx.BoxSizer(wx.VERTICAL)
 116         grid_sizer_1 = wx.BoxSizer(wx.HORIZONTAL)
 117         grid_sizer_2 = wx.BoxSizer(wx.HORIZONTAL)
 118         grid_sizer_1.Add(self.txt1, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 119         grid_sizer_1.Add(self.dbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 120         grid_sizer_2.Add(self.txt2, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 121         grid_sizer_2.Add(self.fbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 122         sizer.Add(grid_sizer_1, 0,  wx.EXPAND, 0)
 123         sizer.Add(grid_sizer_2, 0,  wx.EXPAND, 0)
 124         sizer.Add(self.btnsizer, 0,  wx.EXPAND, 0)
 125         self.SetSizer(sizer)
 126         sizer.Fit(self)
 127         self.Layout()
 128
 129
 130     def fbbCallback(self, evt):
 131         if self.fbb.GetValue() == "" :
 132              self.fbb.SetValue(os.path.join(self.dbb.GetValue(), 'corpus.txt'))
 133         #self.log.write('FileBrowseButton: %s\n' % evt.GetString())
 134
 135     def checkfile(self, evt) :
 136         if evt.GetId() == wx.ID_OK :
 137             if self.dbb.GetValue() != "" :
 138                 if os.path.exists(self.fbb.GetValue()):
 139                     dlg = wx.MessageDialog(self,
 140                     u"%s\nCe fichier existe, continuer quand même ?" % self.fbb.GetValue(), 'ATTENTION', wx.NO | wx.YES | wx.ICON_WARNING)
 141                     dlg.CenterOnParent()
 142                     if dlg.ShowModal() not in [wx.ID_NO, wx.ID_CANCEL]:
 143                         self.EndModal(wx.ID_OK)
 144                 else :
 145                     self.EndModal(wx.ID_OK)
 146             else :
 147                 dlg = wx.MessageDialog(self, u"Vous devez choisir le répertoire contenant le ou les fichier(s) xml", 'ATTENTION', wx.OK | wx.ICON_WARNING)
 148                 dlg.CenterOnParent()
 149                 dlg.ShowModal()
 150
 151         else :
 152             self.EndModal(wx.ID_CANCEL)
 153
 154
 155
 156 class ImportFactiva():
 157     def __init__(self,parent):
 158        self.dial =  PrefImport(parent)
 159        self.dial.CenterOnParent()
 160        val = self.dial.ShowModal()
 161        if val == wx.ID_OK :
 162            xmldir = self.dial.dbb.GetValue()
 163            corp_out = self.dial.fbb.GetValue()
 164            res = getcorpus_from_xml(xmldir, corp_out)
 165            if res != 'ok' :
 166                 dlg = wx.MessageDialog(parent, u"Pas de fichier \'.xml\' dans %s" % xmldir, 'ATTENTION', wx.OK | wx.NO_DEFAULT | wx.ICON_WARNING)
 167                 dlg.CenterOnParent()
 168                 dlg.ShowModal()
 169            else :
 170                 parent.filename = corp_out
 171                 parent.OpenText()