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 parse_europress import ParseEuropress
  16 from import_txm import TXM2IRA
  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     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,f) for f in files if os.path.splitext(f)[1] == '.xml']
  67     if len(files) == 0 :
  68         return 'nofile'
  69     fileout = codecs.open(corpus_out, 'w', 'utf-8')
  70     for f in files :
  71         rs = ParseDocument(f)
  72         #dates = [row[2].split('-') for row in rs]
  73         #dates = [[date[0],date[1],date[2].split('T')[0]] for date in dates]
  74         #txt = '\n'.join(['\n'.join([' '.join([u'****', '*%s' % row[1].replace(' ','_').replace('\'','_'), '*%s' % row[2].replace('-','_')]), row[3], row[4]]) for row in rs])
  75         #avec la date decompose
  76         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])
  77         fileout.write(txt+'\n\n')
  78     fileout.close()
  79     return 'ok'
  80
  81 class PrefImport(wx.Dialog):
  82     def __init__(self, parent, size=wx.DefaultSize, pos=wx.DefaultPosition, style=wx.DEFAULT_DIALOG_STYLE, methode = 'mail'):
  83         pre = wx.PreDialog()
  84         pre.SetExtraStyle(wx.DIALOG_EX_CONTEXTHELP)
  85         pre.Create(parent, -1, '', pos, size, style)
  86         self.PostCreate(pre)
  87         if methode in ['xml', 'txm'] :
  88             txt = _(u'Select a directory of xml files').decode('utf8')
  89         else :
  90             txt = _(u'Select a directory of txt files').decode('utf8')
  91         self.parent = parent
  92         self.txt1 = wx.StaticText(self, -1, txt)
  93         self.dbb = filebrowse.DirBrowseButton(self, -1, size=(450, -1), changeCallback = self.fbbCallback)
  94         self.dbb.SetLabel("")
  95         self.txt2 = wx.StaticText(self, -1, _(u'Output file').decode('utf8'))
  96         self.fbb = filebrowse.FileBrowseButton(self, -1, size=(450, -1), fileMode = 2)
  97         self.fbb.SetLabel("")
  98
  99         self.btnsizer = wx.StdDialogButtonSizer()
 100         btn_ok = wx.Button(self, wx.ID_OK)
 101         btn = wx.Button(self, wx.ID_CANCEL)
 102         self.btnsizer.AddButton(btn_ok)
 103         self.btnsizer.AddButton(btn)
 104         self.btnsizer.Realize()
 105
 106
 107         self.Bind(wx.EVT_BUTTON, self.checkfile, btn_ok)
 108
 109         #self.SetButtonSizer(self.CreateStdDialogButtonSizer(wx.OK | wx.CANCEL))
 110         self.Bind(wx.EVT_BUTTON, self.checkfile)
 111
 112         self. __do_layout()
 113         #self.Fit()
 114         self.SetMinSize(self.GetSize())
 115
 116     def __do_layout(self):
 117         sizer = wx.BoxSizer(wx.VERTICAL)
 118         grid_sizer_1 = wx.BoxSizer(wx.HORIZONTAL)
 119         grid_sizer_2 = wx.BoxSizer(wx.HORIZONTAL)
 120         grid_sizer_1.Add(self.txt1, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 121         grid_sizer_1.Add(self.dbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 122         grid_sizer_2.Add(self.txt2, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 123         grid_sizer_2.Add(self.fbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 124         sizer.Add(grid_sizer_1, 0,  wx.EXPAND, 0)
 125         sizer.Add(grid_sizer_2, 0,  wx.EXPAND, 0)
 126         sizer.Add(self.btnsizer, 0,  wx.EXPAND, 0)
 127         self.SetSizer(sizer)
 128         sizer.Fit(self)
 129         self.Layout()
 130
 131
 132     def fbbCallback(self, evt):
 133         if self.fbb.GetValue() == "" :
 134             self.fbb.SetValue(os.path.join(self.dbb.GetValue(), 'corpus.txt'))
 135         #self.log.write('FileBrowseButton: %s\n' % evt.GetString())
 136
 137     def checkfile(self, evt) :
 138         if evt.GetId() == wx.ID_OK :
 139             if self.dbb.GetValue() != "" :
 140                 if os.path.exists(self.fbb.GetValue()):
 141                     dlg = wx.MessageDialog(self,
 142                     u"%s\nCe fichier existe, continuer quand même ?" % self.fbb.GetValue(), 'ATTENTION', wx.NO | wx.YES | wx.ICON_WARNING)
 143                     dlg.CenterOnParent()
 144                     if dlg.ShowModal() not in [wx.ID_NO, wx.ID_CANCEL]:
 145                         self.EndModal(wx.ID_OK)
 146                 else :
 147                     self.EndModal(wx.ID_OK)
 148             else :
 149                 dlg = wx.MessageDialog(self, u"Vous devez choisir le répertoire contenant le ou les fichier(s) xml", 'ATTENTION', wx.OK | wx.ICON_WARNING)
 150                 dlg.CenterOnParent()
 151                 dlg.ShowModal()
 152
 153         else :
 154             self.EndModal(wx.ID_CANCEL)
 155
 156
 157
 158 class ImportFactiva():
 159     def __init__(self, parent, methode):
 160         self.dial =  PrefImport(parent, methode=methode)
 161         self.dial.CenterOnParent()
 162         val = self.dial.ShowModal()
 163         if val == wx.ID_OK :
 164             xmldir = self.dial.dbb.GetValue()
 165             corp_out = self.dial.fbb.GetValue()
 166             if methode == 'xml' :
 167                 res = getcorpus_from_xml(xmldir, corp_out)
 168             elif methode == 'mail' :
 169                 res = ParseFactivaMail(xmldir, corp_out, 'utf8', parent.syscoding)
 170             elif methode == 'txt' :
 171                 res = ParseFactivaPaste(xmldir, corp_out, 'utf8', parent.syscoding)
 172             elif methode == 'txm' :
 173                 res = TXM2IRA(xmldir, corp_out, 'utf8', parent.syscoding)
 174             elif methode == 'euro' :
 175                 res = ParseEuropress(xmldir, corp_out, 'utf8', 'utf8')
 176             if res == 'nofile' :
 177                 dlg = wx.MessageDialog(parent, u"Pas de fichier \'.xml\' dans %s" % xmldir, 'ATTENTION', wx.OK | wx.NO_DEFAULT | wx.ICON_WARNING)
 178                 dlg.CenterOnParent()
 179                 dlg.ShowModal()
 180            #else :
 181            #     parent.filename = corp_out
 182            #     parent.OpenText()