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 from parse_factiva_mail import ParseFactivaMail
  16 from parse_factiva_txt import ParseFactivaPaste
  17
  18 def ParseDocument(filename) :
  19     print filename
  20     with codecs.open(filename, 'r', 'utf-8') as f :
  21         content = f.read()
  22     content = content.replace('<hlt>', ' ').replace('</hlt>', ' ')
  23     dom = xml.dom.minidom.parseString(content.encode("utf-8"))
  24     result = []
  25     articles = dom.getElementsByTagName("article")
  26     i = 0
  27     for article in articles :
  28         headline = article.getElementsByTagName("headline")
  29         if headline != [] :
  30             para_headline = headline[0].getElementsByTagName("paragraph")
  31             val_headline = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_headline]
  32         else :
  33             val_headline = []
  34         leadParagraph = article.getElementsByTagName("leadParagraph")
  35         if leadParagraph != [] :
  36             para_leadParagraph = leadParagraph[0].getElementsByTagName("paragraph")
  37             val_leadParagraph = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_leadParagraph]
  38         else :
  39             val_leadParagraph = []
  40         publicationDate = article.getElementsByTagName("publicationDate")
  41         if publicationDate != [] :
  42             para_publicationDate = publicationDate[0].getElementsByTagName("date")
  43             if para_publicationDate == [] :
  44                 para_publicationDate = publicationDate[0].getElementsByTagName("dateTime")
  45             val_publicationDate = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_publicationDate]
  46         else :
  47             val_publicationDate = []
  48         sourceName = article.getElementsByTagName("sourceName")
  49         if sourceName != [] :
  50             val_sourceName = sourceName[0].firstChild.nodeValue.replace('\n', ' ')
  51         else :
  52             val_sourceName = INCONNU
  53         tailParagraphs = article.getElementsByTagName("tailParagraphs")
  54         if tailParagraphs != [] :
  55             para_tailParagraphs = tailParagraphs[0].getElementsByTagName("paragraph")
  56             val_tailParagraphs = [val.firstChild.nodeValue.replace('\n', ' ') for val in para_tailParagraphs]
  57         else :
  58             val_tailParagraphs = []
  59         inter = [' '.join(val_headline), val_sourceName,' '.join(val_publicationDate), ' '.join(val_leadParagraph), ' '.join(val_tailParagraphs)]
  60         inter = [re.sub(ur'[ "\n\r]+', ' ',  val).replace('"',' ').replace('\n', ' ').replace('\r', ' ')  for val in inter]
  61         #inter = ['"' + val +'"' for val in inter]
  62         result.append(inter)
  63     return result
  64
  65 def getcorpus_from_xml(xmldir, corpus_out):
  66     files = os.listdir(xmldir)
  67     files = [os.path.join(xmldir,file) for file in files if os.path.splitext(file)[1] == '.xml']
  68     if len(files) == 0 :
  69         return 'nofile'
  70     result = []
  71     fileout = codecs.open(corpus_out, 'w', 'utf-8')
  72     for file in files :
  73         rs = ParseDocument(file)
  74         #dates = [row[2].split('-') for row in rs]
  75         #dates = [[date[0],date[1],date[2].split('T')[0]] for date in dates]
  76         #txt = '\n'.join(['\n'.join([' '.join([u'****', '*%s' % row[1].replace(' ','_').replace('\'','_'), '*%s' % row[2].replace('-','_')]), row[3], row[4]]) for row in rs])
  77         #avec la date decompose
  78         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])
  79         fileout.write(txt+'\n\n')
  80     fileout.close()
  81     return 'ok'
  82
  83 class PrefImport(wx.Dialog):
  84     def __init__(self, parent, size=wx.DefaultSize, pos=wx.DefaultPosition, style=wx.DEFAULT_DIALOG_STYLE, methode = 'mail'):
  85         pre = wx.PreDialog()
  86         pre.SetExtraStyle(wx.DIALOG_EX_CONTEXTHELP)
  87         pre.Create(parent, -1, '', pos, size, style)
  88         self.PostCreate(pre)
  89         if methode == 'xml' :
  90             txt = _(u'Select a directory of xml files')
  91         else :
  92             txt = _(u'Select a directory of txt files')
  93         self.parent = parent
  94         self.txt1 = wx.StaticText(self, -1, txt.encode('utf8'))
  95         self.dbb = filebrowse.DirBrowseButton(self, -1, size=(450, -1), changeCallback = self.fbbCallback)
  96         self.dbb.SetLabel("")
  97         self.txt2 = wx.StaticText(self, -1, _(u'Output file').encode('utf8'))
  98         self.fbb = filebrowse.FileBrowseButton(self, -1, size=(450, -1), fileMode = 2)
  99         self.fbb.SetLabel("")
 100
 101         self.btnsizer = wx.StdDialogButtonSizer()
 102         btn_ok = wx.Button(self, wx.ID_OK)
 103         btn = wx.Button(self, wx.ID_CANCEL)
 104         self.btnsizer.AddButton(btn_ok)
 105         self.btnsizer.AddButton(btn)
 106         self.btnsizer.Realize()
 107
 108
 109         self.Bind(wx.EVT_BUTTON, self.checkfile, btn_ok)
 110
 111         #self.SetButtonSizer(self.CreateStdDialogButtonSizer(wx.OK | wx.CANCEL))
 112         self.Bind(wx.EVT_BUTTON, self.checkfile)
 113
 114         self. __do_layout()
 115         #self.Fit()
 116         self.SetMinSize(self.GetSize())
 117
 118     def __do_layout(self):
 119         sizer = wx.BoxSizer(wx.VERTICAL)
 120         grid_sizer_1 = wx.BoxSizer(wx.HORIZONTAL)
 121         grid_sizer_2 = wx.BoxSizer(wx.HORIZONTAL)
 122         grid_sizer_1.Add(self.txt1, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 123         grid_sizer_1.Add(self.dbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 124         grid_sizer_2.Add(self.txt2, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 125         grid_sizer_2.Add(self.fbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 126         sizer.Add(grid_sizer_1, 0,  wx.EXPAND, 0)
 127         sizer.Add(grid_sizer_2, 0,  wx.EXPAND, 0)
 128         sizer.Add(self.btnsizer, 0,  wx.EXPAND, 0)
 129         self.SetSizer(sizer)
 130         sizer.Fit(self)
 131         self.Layout()
 132
 133
 134     def fbbCallback(self, evt):
 135         if self.fbb.GetValue() == "" :
 136              self.fbb.SetValue(os.path.join(self.dbb.GetValue(), 'corpus.txt'))
 137         #self.log.write('FileBrowseButton: %s\n' % evt.GetString())
 138
 139     def checkfile(self, evt) :
 140         if evt.GetId() == wx.ID_OK :
 141             if self.dbb.GetValue() != "" :
 142                 if os.path.exists(self.fbb.GetValue()):
 143                     dlg = wx.MessageDialog(self,
 144                     u"%s\nCe fichier existe, continuer quand même ?" % self.fbb.GetValue(), 'ATTENTION', wx.NO | wx.YES | wx.ICON_WARNING)
 145                     dlg.CenterOnParent()
 146                     if dlg.ShowModal() not in [wx.ID_NO, wx.ID_CANCEL]:
 147                         self.EndModal(wx.ID_OK)
 148                 else :
 149                     self.EndModal(wx.ID_OK)
 150             else :
 151                 dlg = wx.MessageDialog(self, u"Vous devez choisir le répertoire contenant le ou les fichier(s) xml", 'ATTENTION', wx.OK | wx.ICON_WARNING)
 152                 dlg.CenterOnParent()
 153                 dlg.ShowModal()
 154
 155         else :
 156             self.EndModal(wx.ID_CANCEL)
 157
 158
 159
 160 class ImportFactiva():
 161     def __init__(self, parent, methode):
 162        self.dial =  PrefImport(parent, methode=methode)
 163        self.dial.CenterOnParent()
 164        val = self.dial.ShowModal()
 165        if val == wx.ID_OK :
 166            xmldir = self.dial.dbb.GetValue()
 167            corp_out = self.dial.fbb.GetValue()
 168            if methode == 'xml' :
 169                 res = getcorpus_from_xml(xmldir, corp_out)
 170            elif methode == 'mail' :
 171                res = ParseFactivaMail(xmldir, corp_out, 'utf8', parent.syscoding)
 172            elif methode == 'txt' :
 173                res = ParseFactivaPaste(xmldir, corp_out, 'utf8', parent.syscoding)
 174            if res == 'nofile' :
 175                 dlg = wx.MessageDialog(parent, u"Pas de fichier \'.xml\' dans %s" % xmldir, 'ATTENTION', wx.OK | wx.NO_DEFAULT | wx.ICON_WARNING)
 176                 dlg.CenterOnParent()
 177                 dlg.ShowModal()
 178            #else :
 179            #     parent.filename = corp_out
 180            #     parent.OpenText()