iramuteq.org Git - iramuteq/blob - 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         else :
  66             dial.Destroy()
  67
  68 class SplitFromVar :
  69     def __init__(self, parametres) :
  70         self.filein = parametres['filein']
  71         self.var = parametres['var']
  72         self.encodein = parametres['encodein']
  73         self.encodeout = parametres['encodeout']
  74         self.basepath = os.path.dirname(self.filein)
  75         self.doparse()
  76
  77     def doparse(self) :
  78         keepline = False
  79         filedict = {}
  80         with codecs.open(self.filein, 'r', self.encodein) as fin :
  81             for line in fin :
  82                 if istext(line) :
  83                     varmod = testvar(line, self.var)
  84                     if varmod :
  85                         keepline = True
  86                         if varmod not in filedict :
  87                             filename = os.path.join(self.basepath, varmod + '.txt')
  88                             filedict[varmod] = open(filename, 'w')
  89                         fileout = filedict[varmod]
  90                     else :
  91                         keepline = False
  92                 if keepline :
  93                     fileout.write(line.encode(self.encodeout))
  94         for f in filedict :
  95             filedict[f].close()
  96
  97 class SplitFromThem :
  98     def __init__(self, parametres) :
  99         self.filein = parametres['filein']
 100         self.them = parametres['them']
 101         self.encodein = parametres['encodein']
 102         self.encodeout = parametres['encodeout']
 103         self.basepath = os.path.dirname(self.filein)
 104         self.pathout = os.path.join(self.basepath, '_'.join([them.replace(u'-*','') for them in self.them]))
 105         self.fileout = open(self.pathout, 'w')
 106         self.doparse()
 107         self.fileout.close()
 108
 109     def doparse(self):
 110         text = ''
 111         keepline = False
 112         lastet = ''
 113         with codecs.open(self.filein, 'r', self.encodein) as fin :
 114             for line in fin :
 115                 if istext(line) :
 116                     self.writetext(self.fileout, lastet, text)
 117                     text = ''
 118                     lastet = line
 119                 if isthem(line) :
 120                     l = line.strip().rstrip('\n\r')
 121                     if l in self.them :
 122                         keepline = True
 123                     else :
 124                         keepline = False
 125                 if keepline :
 126                     text += line
 127             self.writetext(self.fileout, lastet, text)
 128
 129     def writetext(self, fileout, lastet, text):
 130         if text != '' :
 131             self.fileout.write(lastet.encode(self.encodeout) + text.encode(self.encodeout))
 132
 133
 134 class ExtractMods :
 135     def __init__(self, parametres) :
 136         self.onefile = parametres.get('onefile', False)
 137         self.filein = parametres['filein']
 138         self.mods = parametres['mods']
 139         self.encodein = parametres['encodein']
 140         self.encodeout = parametres['encodeout']
 141         self.basepath = os.path.dirname(self.filein)
 142         if self.onefile :
 143             filename = os.path.join(self.basepath, '_'.join([mod.replace(u'*','') for mod in self.mods])+'.txt')
 144             self.fileout = open(filename, 'w')
 145         self.doparse()
 146
 147     def doparse(self) :
 148         keepline = False
 149         filedict = {}
 150         with codecs.open(self.filein, 'r', self.encodein) as fin :
 151             for line in fin :
 152                 if istext(line) :
 153                     modinline = testmod(line, self.mods)
 154                     if modinline :
 155                         keepline = True
 156                         if not self.onefile :
 157                             if modinline not in filedict :
 158                                 filename = os.path.join(self.basepath, modinline + '.txt')
 159                                 filedict[modinline] = open(filename, 'w')
 160                             fileout = filedict[modinline]
 161                         else :
 162                             fileout = self.fileout
 163                     else :
 164                         keepline = False
 165                 if keepline :
 166                     fileout.write(line.encode(self.encodeout))
 167         if not self.onefile :
 168             for f in filedict :
 169                 filedict[f].close()
 170         else :
 171             self.fileout.close()
 172
 173
 174 class SubCorpus(Corpus) :
 175     def __init__(self, parent, corpus, sgts) :
 176         Corpus.__init__(self, parent, corpus.parametres)
 177         self.sgts = sgts
 178         self.corpus = copycorpus(corpus)
 179         self.corpus.make_lems(self.parametres['lem'])
 180         textes = list(set([corpus.getucefromid(sgt).uci for sgt in sgts]))
 181         self.ucis = [corpus.ucis[i] for i in textes]
 182         for texte in self.ucis :
 183             texte.uces = [uce for uce in texte.uces if uce.ident in self.sgts]
 184         self.make_formes(corpus)
 185         self.pathout = corpus.pathout
 186         self.parametres['sub'] = self.sgts
 187
 188     def make_formes(self, corpus) :
 189         self.formes = {}
 190         for forme in self.corpus.formes :
 191             sgtseff = self.corpus.getformeuceseff(forme)
 192             sgts = set(self.sgts).intersection(sgtseff.keys())
 193             if len(sgts) :
 194                 self.formes[forme] = self.corpus.formes[forme]
 195                 self.formes[forme].freq = sum([sgtseff[sgt] for sgt in sgts])
 196
 197     def getlemuces(self, lem) :
 198         return list(set(self.sgts).intersection(self.corpus.getlemuces(lem)))
 199
 200 def converttabletocorpus(table, fileout, enc='UTF8') :
 201     var = table.pop(0)
 202     var = var[0:len(var)-1]
 203     print var
 204     et = [zip(var, line[0:len(line)-1]) for line in table]
 205     et = ['**** ' + ' '.join(['*' + '_'.join(val) for val in line]) for line in et]
 206     txt = ['\n'.join([et[i], line[-1]]) for i, line in enumerate(table)]
 207     print '\n'.join(txt)
 208     #with open(fileout, 'w') as f :
 209
 210
 211
 212
 213
 214 if __name__ == '__main__' :
 215     #SplitFromVar(parametres)
 216     ExtractMods(parametres, True)