www.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 from functions import BugReport
  18
  19 def ParseDocument(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         self.methode = methode
  88         if methode in ['xml', 'txm'] :
  89             txt = _(u'Select a directory of xml files').decode('utf8')
  90         elif methode == 'euro' :
  91             txt = _(u'Select a directory of html files').decode('utf8')
  92         elif methode == 'dmi' :
  93             txt = _(u'Select a csv file').decode('utf8')
  94         else :
  95             txt = _(u'Select a directory of txt files').decode('utf8')
  96         self.parent = parent
  97         self.txt1 = wx.StaticText(self, -1, txt)
  98         if methode != 'dmi' :
  99             self.dbb = filebrowse.DirBrowseButton(self, -1, size=(450, -1), changeCallback = self.fbbCallback)
 100         else :
 101             self.dbb = filebrowse.FileBrowseButton(self, -1, size=(450, -1), fileMode = 2, changeCallback = self.fbbCallback)
 102         self.dbb.SetLabel("")
 103         self.txt2 = wx.StaticText(self, -1, _(u'Output file').decode('utf8'))
 104         self.fbb = filebrowse.FileBrowseButton(self, -1, size=(450, -1), fileMode = 2)
 105         self.fbb.SetLabel("")
 106
 107         self.btnsizer = wx.StdDialogButtonSizer()
 108         btn_ok = wx.Button(self, wx.ID_OK)
 109         btn = wx.Button(self, wx.ID_CANCEL)
 110         self.btnsizer.AddButton(btn_ok)
 111         self.btnsizer.AddButton(btn)
 112         self.btnsizer.Realize()
 113
 114
 115         self.Bind(wx.EVT_BUTTON, self.checkfile, btn_ok)
 116
 117         #self.SetButtonSizer(self.CreateStdDialogButtonSizer(wx.OK | wx.CANCEL))
 118         self.Bind(wx.EVT_BUTTON, self.checkfile)
 119
 120         self. __do_layout()
 121         #self.Fit()
 122         self.SetMinSize(self.GetSize())
 123
 124     def __do_layout(self):
 125         sizer = wx.BoxSizer(wx.VERTICAL)
 126         grid_sizer_1 = wx.BoxSizer(wx.HORIZONTAL)
 127         grid_sizer_2 = wx.BoxSizer(wx.HORIZONTAL)
 128         grid_sizer_1.Add(self.txt1, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 129         grid_sizer_1.Add(self.dbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 130         grid_sizer_2.Add(self.txt2, 0, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 131         grid_sizer_2.Add(self.fbb, 2, wx.ALIGN_LEFT | wx.ALIGN_CENTER_VERTICAL, 0)
 132         sizer.Add(grid_sizer_1, 0,  wx.EXPAND, 0)
 133         sizer.Add(grid_sizer_2, 0,  wx.EXPAND, 0)
 134         sizer.Add(self.btnsizer, 0,  wx.EXPAND, 0)
 135         self.SetSizer(sizer)
 136         sizer.Fit(self)
 137         self.Layout()
 138
 139
 140     def fbbCallback(self, evt):
 141         if self.fbb.GetValue() == "" :
 142             if self.methode != 'dmi' :
 143                 self.fbb.SetValue(os.path.join(self.dbb.GetValue(), 'corpus.txt'))
 144             else :
 145                 self.fbb.SetValue(os.path.join(os.path.dirname(self.dbb.GetValue()), 'corpus.txt'))
 146         #self.log.write('FileBrowseButton: %s\n' % evt.GetString())
 147
 148     def checkfile(self, evt) :
 149         if evt.GetId() == wx.ID_OK :
 150             if self.dbb.GetValue() != "" :
 151                 if self.methode == 'dmi' :
 152                     if not os.path.exists(self.dbb.GetValue()) :
 153                         dlg = wx.MessageDialog(self,
 154                         ' : '.join([self.dbb.GetValue(), _(u"this file doesn't exist")]), 'ATTENTION', wx.NO | wx.YES | wx.ICON_WARNING)
 155                         dlg.CenterOnParent()
 156                         if dlg.ShowModal() not in [wx.ID_NO, wx.ID_CANCEL]:
 157                             self.EndModal(wx.ID_OK)
 158                 if os.path.exists(self.fbb.GetValue()):
 159                     dlg = wx.MessageDialog(self,
 160                     u"%s\nCe fichier existe, continuer quand même ?" % self.fbb.GetValue(), 'ATTENTION', wx.NO | wx.YES | wx.ICON_WARNING)
 161                     dlg.CenterOnParent()
 162                     if dlg.ShowModal() not in [wx.ID_NO, wx.ID_CANCEL]:
 163                         self.EndModal(wx.ID_OK)
 164                 else :
 165                     self.EndModal(wx.ID_OK)
 166             else :
 167                 dlg = wx.MessageDialog(self, u"Vous devez choisir le répertoire contenant le ou les fichier(s) xml", 'ATTENTION', wx.OK | wx.ICON_WARNING)
 168                 dlg.CenterOnParent()
 169                 dlg.ShowModal()
 170
 171         else :
 172             self.EndModal(wx.ID_CANCEL)
 173
 174 class ImportFactiva():
 175     def __init__(self, parent, methode):
 176         self.dial =  PrefImport(parent, methode=methode)
 177         self.dial.CenterOnParent()
 178         val = self.dial.ShowModal()
 179         if val == wx.ID_OK :
 180             xmldir = self.dial.dbb.GetValue()
 181             corp_out = self.dial.fbb.GetValue()
 182             self.dial.Destroy()
 183             busy = wx.BusyInfo(_("Please wait...").decode('utf8'))
 184             wx.SafeYield()
 185             try :
 186                 if methode == 'xml' :
 187                     res = getcorpus_from_xml(xmldir, corp_out)
 188                 elif methode == 'mail' :
 189                     res = ParseFactivaMail(xmldir, corp_out, 'utf8', parent.syscoding)
 190                 elif methode == 'txt' :
 191                     res = ParseFactivaPaste(xmldir, corp_out, 'utf8', parent.syscoding)
 192                 elif methode == 'txm' :
 193                     res = TXM2IRA(xmldir, corp_out, 'utf8', parent.syscoding)
 194                 elif methode == 'euro' :
 195                     res = ParseEuropress(xmldir, corp_out, 'utf8', 'utf8')
 196                 del busy
 197                 if res == 'nofile' :
 198                     dlg = wx.MessageDialog(parent, u"Pas de fichiers dans %s" % xmldir, 'ATTENTION', wx.OK | wx.ICON_WARNING)
 199                     dlg.CenterOnParent()
 200                     dlg.ShowModal()
 201                     dlg.Destroy()
 202                 else :
 203                     msg = '\n'.join([_(u"Corpus created :").decode('utf8'), corp_out, _(u"Do you want to open it in IRaMuTeQ ?").decode('utf8')])
 204                     dlg = wx.MessageDialog(parent, msg, _(u'Information').decode('utf8'), wx.YES_NO | wx.ICON_INFORMATION | wx.STAY_ON_TOP)
 205                     dlg.CenterOnParent()
 206                     val = dlg.ShowModal()
 207                     if val == wx.ID_YES :
 208                         dlg.Destroy()
 209                         parent.filename = os.path.abspath(corp_out)
 210                         parent.OpenText()
 211                     else :
 212                         dlg.Destroy()
 213             except :
 214                 del busy
 215                 BugReport(parent)
 216         else :
 217             self.dial.Destroy()
 218