europress parser
[iramuteq] / tools.py
1 #!/bin/env python
2 # -*- coding: utf-8 -*-
3 #Author: Pierre Ratinaud
4 #Copyright (c) 2008-2013, Pierre Ratinaud
5 #License: GNU GPL
6
7 import codecs
8 import os
9 from dialog import ExtractDialog
10 from corpus import Corpus, copycorpus
11 import wx
12
13
14 parametres = {'filein' : 'corpus/lru2.txt',
15               'encodein' : 'utf8',
16               'encodeout' : 'utf8',
17               'mods' : [u'*annee_2010', u'*annee_2011']}
18
19 def istext(line) :
20     if line.startswith(u'**** ') :
21         return True
22     else :
23         return False
24
25 def isthem(line):
26     if line.startswith(u'-*') :
27         return True
28     else :
29         return False
30
31 def testvar(line, variable) :
32     line = line.split()
33     varmod = [val.split('_') for val in line[1:]]
34     vars = [var[0] for var in varmod]
35     if variable in vars :
36         return '_'.join([variable, varmod[vars.index(variable)][1]]).replace(u'*','')
37     else :
38         return False
39
40 def testmod(line, mods) :
41     line = line.split()
42     for mod in mods :
43         if mod in line[1:] :
44             return mod.replace(u'*','')
45     return False
46
47
48 class Extract :
49     def __init__(self, parent, option) :
50         dial = ExtractDialog(parent, option)
51         dial.CenterOnParent()
52         res = dial.ShowModal()
53         if res == wx.ID_OK :
54             parametres = dial.make_param()
55             if option == 'splitvar' :
56                 SplitFromVar(parametres)
57             elif option == 'mods' :
58                 ExtractMods(parametres)
59             elif option == 'them' :
60                 SplitFromThem(parametres)
61         dial.Destroy()
62         dial = wx.MessageDialog(parent, 'Done !', style = wx.OK)
63         dial.ShowModal()
64         dial.Destroy()
65
66 class SplitFromVar :
67     def __init__(self, parametres) :
68         self.filein = parametres['filein']
69         self.var = parametres['var']
70         self.encodein = parametres['encodein']
71         self.encodeout = parametres['encodeout']
72         self.basepath = os.path.dirname(self.filein)
73         self.doparse()
74
75     def doparse(self) :
76         keepline = False
77         filedict = {}
78         with codecs.open(self.filein, 'r', self.encodein) as fin :
79             for line in fin :
80                 if istext(line) :
81                     varmod = testvar(line, self.var)
82                     if varmod :
83                         keepline = True
84                         if varmod not in filedict :
85                             filename = os.path.join(self.basepath, varmod + '.txt')
86                             filedict[varmod] = open(filename, 'w')
87                         fileout = filedict[varmod]
88                     else : 
89                         keepline = False
90                 if keepline :
91                     fileout.write(line.encode(self.encodeout))
92         for f in filedict :
93             filedict[f].close()
94
95 class SplitFromThem :
96     def __init__(self, parametres) :
97         self.filein = parametres['filein']
98         self.them = parametres['them']
99         self.encodein = parametres['encodein']
100         self.encodeout = parametres['encodeout']
101         self.basepath = os.path.dirname(self.filein)
102         self.pathout = os.path.join(self.basepath, '_'.join([them.replace(u'-*','') for them in self.them]))
103         self.fileout = open(self.pathout, 'w')
104         self.doparse()
105         self.fileout.close()
106     
107     def doparse(self):
108         text = ''
109         keepline = False
110         lastet = ''
111         with codecs.open(self.filein, 'r', self.encodein) as fin :
112             for line in fin :
113                 if istext(line) :
114                     self.writetext(self.fileout, lastet, text)
115                     text = ''
116                     lastet = line
117                 if isthem(line) :
118                     l = line.strip().rstrip('\n\r')
119                     if l in self.them :
120                         keepline = True
121                     else :
122                         keepline = False
123                 if keepline :
124                     text += line
125             self.writetext(self.fileout, lastet, text)
126     
127     def writetext(self, fileout, lastet, text):
128         if text != '' :
129             self.fileout.write(lastet.encode(self.encodeout) + text.encode(self.encodeout))
130             
131
132 class ExtractMods :
133     def __init__(self, parametres) :
134         self.onefile = parametres.get('onefile', False)
135         self.filein = parametres['filein']
136         self.mods = parametres['mods']
137         self.encodein = parametres['encodein']
138         self.encodeout = parametres['encodeout']
139         self.basepath = os.path.dirname(self.filein)
140         if self.onefile :
141             filename = os.path.join(self.basepath, '_'.join([mod.replace(u'*','') for mod in self.mods])+'.txt')
142             self.fileout = open(filename, 'w')
143         self.doparse()
144
145     def doparse(self) :
146         keepline = False
147         filedict = {}
148         with codecs.open(self.filein, 'r', self.encodein) as fin :
149             for line in fin :
150                 if istext(line) :
151                     modinline = testmod(line, self.mods)
152                     if modinline :
153                         keepline = True
154                         if not self.onefile :
155                             if modinline not in filedict :
156                                 filename = os.path.join(self.basepath, modinline + '.txt')
157                                 filedict[modinline] = open(filename, 'w')
158                             fileout = filedict[modinline]
159                         else :
160                             fileout = self.fileout
161                     else : 
162                         keepline = False
163                 if keepline :
164                     fileout.write(line.encode(self.encodeout))
165         if not self.onefile :
166             for f in filedict :
167                 filedict[f].close()
168         else :
169             self.fileout.close()
170
171
172 class SubCorpus(Corpus) :
173     def __init__(self, parent, corpus, sgts) :
174         Corpus.__init__(self, parent, corpus.parametres)
175         self.sgts = sgts
176         self.corpus = copycorpus(corpus)
177         self.corpus.make_lems(self.parametres['lem'])
178         textes = list(set([corpus.getucefromid(sgt).uci for sgt in sgts]))
179         self.ucis = [corpus.ucis[i] for i in textes]
180         for texte in self.ucis :
181             texte.uces = [uce for uce in texte.uces if uce.ident in self.sgts] 
182         self.make_formes(corpus)
183         self.pathout = corpus.pathout 
184         self.parametres['sub'] = self.sgts
185
186     def make_formes(self, corpus) :
187         self.formes = {}
188         for forme in self.corpus.formes :
189             sgtseff = self.corpus.getformeuceseff(forme)
190             sgts = set(self.sgts).intersection(sgtseff.keys())
191             if len(sgts) :
192                 self.formes[forme] = self.corpus.formes[forme]
193                 self.formes[forme].freq = sum([sgtseff[sgt] for sgt in sgts])
194
195     def getlemuces(self, lem) :
196         return list(set(self.sgts).intersection(self.corpus.getlemuces(lem)))
197
198 def converttabletocorpus(table, fileout, enc='UTF8') :
199     var = table.pop(0)
200     var = var[0:len(var)-1]
201     print var
202     et = [zip(var, line[0:len(line)-1]) for line in table]
203     et = ['**** ' + ' '.join(['*' + '_'.join(val) for val in line]) for line in et] 
204     txt = ['\n'.join([et[i], line[-1]]) for i, line in enumerate(table)]
205     print '\n'.join(txt)
206     #with open(fileout, 'w') as f :
207         
208
209
210
211
212 if __name__ == '__main__' :
213     #SplitFromVar(parametres)
214     ExtractMods(parametres, True)