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 #License: GNU/GPL
   6
   7 import xml.dom.minidom
   8 import wx.lib.filebrowsebutton as filebrowse
   9 import os
  10 import codecs
  11 import re
  12 import wx
  13 from parse_factiva_mail import ParseFactivaMail
  14 from parse_factiva_txt import ParseFactivaPaste
  15 from import_txm import TXM2IRA
  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     for article in articles :
  26         headline = article.getElementsByTagName("headline")
  27         if headline != [] :
  28             para_headline = headline[0].getElementsByTagName("paragraph")
  29             val_headline = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_headline]
  30         else :
  31             val_headline = []
  32         leadParagraph = article.getElementsByTagName("leadParagraph")
  33         if leadParagraph != [] :
  34             para_leadParagraph = leadParagraph[0].getElementsByTagName("paragraph")
  35             val_leadParagraph = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_leadParagraph]
  36         else :
  37             val_leadParagraph = []
  38         publicationDate = article.getElementsByTagName("publicationDate")
  39         if publicationDate != [] :
  40             para_publicationDate = publicationDate[0].getElementsByTagName("date")
  41             if para_publicationDate == [] :
  42                 para_publicationDate = publicationDate[0].getElementsByTagName("dateTime")
  43             val_publicationDate = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_publicationDate]
  44         else :
  45             val_publicationDate = []
  46         sourceName = article.getElementsByTagName("sourceName")
  47         if sourceName != [] :
  48             val_sourceName = sourceName[0].firstChild.nodeValue.replace('\n', ' ')
  49         else :
  50             val_sourceName = 'INCONNU'
  51         tailParagraphs = article.getElementsByTagName("tailParagraphs")
  52         if tailParagraphs != [] :
  53             para_tailParagraphs = tailParagraphs[0].getElementsByTagName("paragraph")
  54             val_tailParagraphs = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_tailParagraphs]
  55         else :
  56             val_tailParagraphs = []
  57         inter = [' '.join(val_headline), val_sourceName,' '.join(val_publicationDate), ' '.join(val_leadParagraph), ' '.join(val_tailParagraphs)]
  58         inter = [re.sub(ur'[ "\n\r]+', ' ',  val).replace('"',' ').replace('\n', ' ').replace('\r', ' ')  for val in inter]
  59         #inter = ['"' + val +'"' for val in inter]
  60         result.append(inter)
  61     return result
  62
  63 def getcorpus_from_xml(xmldir, corpus_out):
  64     files = os.listdir(xmldir)
  65     files = [os.path.join(xmldir,f) for f in files if os.path.splitext(f)[1] == '.xml']
  66     if len(files) == 0 :
  67         return 'nofile'
  68     fileout = codecs.open(corpus_out, 'w', 'utf-8')
  69     for f in files :
  70         rs = ParseDocument(f)
  71         #dates = [row[2].split('-') for row in rs]
  72         #dates = [[date[0],date[1],date[2].split('T')[0]] for date in dates]
  73         #txt = '\n'.join(['\n'.join([' '.join([u'****', '*%s' % row[1].replace(' ','_').replace('\'','_'), '*%s' % row[2].replace('-','_')]), row[3], row[4]]) for row in rs])
  74         #avec la date decompose
  75         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])
  76         fileout.write(txt+'\n\n')
  77     fileout.close()
  78     return 'ok'
  79
  80 class PrefImport(wx.Dialog):
  81     def __init__(self, parent, size=wx.DefaultSize, pos=wx.DefaultPosition, style=wx.DEFAULT_DIALOG_STYLE, methode = 'mail'):
  82         pre = wx.PreDialog()
  83         pre.SetExtraStyle(wx.DIALOG_EX_CONTEXTHELP)
  84         pre.Create(parent, -1, '', pos, size, style)
  85         self.PostCreate(pre)
  86         if methode in ['xml', 'txm'] :
  87             txt = _(u'Select a directory of xml files').decode('utf8')
  88         else :
  89             txt = _(u'Select a directory of txt files').decode('utf8')
  90         self.parent = parent
  91         self.txt1 = wx.StaticText(self, -1, txt.encode('utf8'))
  92         self.dbb = filebrowse.DirBrowseButton(self, -1, size=(450, -1), changeCallback = self.fbbCallback)
  93         self.dbb.SetLabel("")
  94         self.txt2 = wx.StaticText(self, -1, _(u'Output file').decode('utf8'))
  95         self.fbb = filebrowse.FileBrowseButton(self, -1, size=(450, -1), fileMode = 2)
  96         self.fbb.SetLabel("")
  97
  98         self.btnsizer = wx.StdDialogButtonSizer()
  99         btn_ok = wx.Button(self, wx.ID_OK)
 100         btn = wx.Button(self, wx.ID_CANCEL)
 101         self.btnsizer.AddButton(btn_ok)
 102         self.btnsizer.AddButton(btn)
 103         self.btnsizer.Realize()
 104
 105
 106         self.Bind(wx.EVT_BUTTON, self.checkfile, btn_ok)
 107
 108         #self.SetButtonSizer(self.CreateStdDialogButtonSizer(wx.OK | wx.CANCEL))
 109         self.Bind(wx.EVT_BUTTON, self.checkfile)
 110
 111         self. __do_layout()
 112         #self.Fit()
 113         self.SetMinSize(self.GetSize())
 114
 115     def __do_layout(self):
 116         sizer = wx.BoxSizer(wx.VERTICAL)
 117         grid_sizer_1 = wx.BoxSizer(wx.HORIZONTAL)
 118         grid_sizer_2 = wx.BoxSizer(wx.HORIZONTAL)
 119         grid_sizer_1.Add(self.txt1, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 120         grid_sizer_1.Add(self.dbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 121         grid_sizer_2.Add(self.txt2, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 122         grid_sizer_2.Add(self.fbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 123         sizer.Add(grid_sizer_1, 0,  wx.EXPAND, 0)
 124         sizer.Add(grid_sizer_2, 0,  wx.EXPAND, 0)
 125         sizer.Add(self.btnsizer, 0,  wx.EXPAND, 0)
 126         self.SetSizer(sizer)
 127         sizer.Fit(self)
 128         self.Layout()
 129
 130
 131     def fbbCallback(self, evt):
 132         if self.fbb.GetValue() == "" :
 133             self.fbb.SetValue(os.path.join(self.dbb.GetValue(), 'corpus.txt'))
 134         #self.log.write('FileBrowseButton: %s\n' % evt.GetString())
 135
 136     def checkfile(self, evt) :
 137         if evt.GetId() == wx.ID_OK :
 138             if self.dbb.GetValue() != "" :
 139                 if os.path.exists(self.fbb.GetValue()):
 140                     dlg = wx.MessageDialog(self,
 141                     u"%s\nCe fichier existe, continuer quand même ?" % self.fbb.GetValue(), 'ATTENTION', wx.NO | wx.YES | wx.ICON_WARNING)
 142                     dlg.CenterOnParent()
 143                     if dlg.ShowModal() not in [wx.ID_NO, wx.ID_CANCEL]:
 144                         self.EndModal(wx.ID_OK)
 145                 else :
 146                     self.EndModal(wx.ID_OK)
 147             else :
 148                 dlg = wx.MessageDialog(self, u"Vous devez choisir le répertoire contenant le ou les fichier(s) xml", 'ATTENTION', wx.OK | wx.ICON_WARNING)
 149                 dlg.CenterOnParent()
 150                 dlg.ShowModal()
 151
 152         else :
 153             self.EndModal(wx.ID_CANCEL)
 154
 155
 156
 157 class ImportFactiva():
 158     def __init__(self, parent, methode):
 159         self.dial =  PrefImport(parent, methode=methode)
 160         self.dial.CenterOnParent()
 161         val = self.dial.ShowModal()
 162         if val == wx.ID_OK :
 163             xmldir = self.dial.dbb.GetValue()
 164             corp_out = self.dial.fbb.GetValue()
 165             if methode == 'xml' :
 166                 res = getcorpus_from_xml(xmldir, corp_out)
 167             elif methode == 'mail' :
 168                 res = ParseFactivaMail(xmldir, corp_out, 'utf8', parent.syscoding)
 169             elif methode == 'txt' :
 170                 res = ParseFactivaPaste(xmldir, corp_out, 'utf8', parent.syscoding)
 171             elif methode == 'txm' :
 172                 res = TXM2IRA(xmldir, corp_out, 'utf8', parent.syscoding)
 173             if res == 'nofile' :
 174                 dlg = wx.MessageDialog(parent, u"Pas de fichier \'.xml\' dans %s" % xmldir, 'ATTENTION', wx.OK | wx.NO_DEFAULT | wx.ICON_WARNING)
 175                 dlg.CenterOnParent()
 176                 dlg.ShowModal()
 177            #else :
 178            #     parent.filename = corp_out
 179            #     parent.OpenText()