X-Git-Url: http://www.iramuteq.org/git?a=blobdiff_plain;f=parse_factiva_txt.py;h=e45c41f8b7916e01908db300945044e3c410fc33;hb=refs%2Fheads%2F3.0;hp=53f6d6dad575ee4fd5173e23c94c487ff282c79f;hpb=22cd27b2bbe9ab1ffa7ef06fa764b5147ae17dad;p=iramuteq

diff --git a/parse_factiva_txt.py b/parse_factiva_txt.py
index 53f6d6d..e45c41f 100644
--- a/parse_factiva_txt.py
+++ b/parse_factiva_txt.py
@@ -1,73 +1,116 @@
-#!/bin/env python
 # -*- coding: utf-8 -*-
 #Author: Pierre Ratinaud
-#Copyright (c) 2012 Pierre Ratinaud
-#Lisense: GNU/GPL
+#Copyright (c) 2008-2020 Pierre Ratinaud
+#modification pour python 3 : Laurent Mérat, 6x7 - mai 2020
+#License: GNU/GPL
 
+#------------------------------------
+# import des modules python
+#------------------------------------
 import os
 import codecs
+import re
 
 
-txtdir = 'dev/factiva_txt' #repertoire des textes
-#txtdir = 'corpus/jeunesdebanlieues'
-fileout = 'dev/factiva_txt_out.txt'
-encodage_in = 'utf8'
-encodage_out = 'utf8'
+mois = {'janvier' : '01', 
+        'février' : '02',
+        'mars' : '03',
+        'avril' : '04', 
+        'mai' : '05',
+        'juin' : '06',
+        'juillet' : '07',
+        'août' : '08',
+        'septembre' : '09',
+        'octobre' : '10',
+        'novembre' : '11',
+        'décembre' : '12', 
+        'january' : '01',
+        'february': '02',
+        'march' : '03',
+        'april': '04',
+        'may': '05',
+        'june' : '06',
+        'july': '07',
+        'august': '08',
+        'september' : '09',
+        'october': '10',
+        'november': '11',
+        'december': '12'}
 
 
-def parsetxt(txt):
+def parsetxtpaste(txt):
     """
     parser de texte pour factiva
+    à partir d'un copier/coller de la fenêtre de visualisation
+    merci à Lucie Loubère pour l'astuce :)
     """
+
     no = ['NS','RE','IPD','CO','IN']  # les balises qui signalent une fin
-    txt = txt.splitlines() #met le texte dans une liste de lignes
-    txt.pop(0) # la premiere ligne sert a rien
-    txt = txt[0:(len(txt)-10)] # les dernieres lignes ne servent a rien
+    txt = txt.splitlines()
     keepline = False
     ucis = []
-    for line in txt : #pour chaque ligne du texte...
-        if line.startswith('---------------------------------------------------------------') : # si la ligne commence avec...
-            ucis.append([['****'],'']) # c'est une nouvelle uci
-            keepline = False
-        elif line.startswith('SN  ') : #source
-            source = '*source_' + line[4:].replace(' ','').replace('\'','').replace(u'´','').replace(u'’','').replace('-','').lower()
+    for line in txt : 
+        if line.startswith('Article') :
+            lp = line.split()
+            if len(lp) > 2  :
+                if lp[2] == 'Article' or lp[2] == 'Next' or lp[2] == 'Previous':
+                    ucis.append([['****'],''])
+                    keepline = False
+        if line.startswith('SN ') : #source
+            jsource = re.sub('[\'" !\.?;,:\+\-°&]', '', line[4:])
+            source = '_'.join(['*source', jsource]).lower()
+            #source = '*source_' + line[4:].replace(' ','').replace('\'','').replace('´','').replace('’','').replace('-','').lower()
             ucis[-1][0].append(source)
         elif line.startswith('PD ') : #date
-            mois_annee = '*date_' + line[4:].split(' ')[1] + line[4:].split(' ')[2]
-            ucis[-1][0].append(mois_annee)
-        elif line in no : #fin
+            datemois = line[4:].split(' ')[1].lower()
+            datemois = mois.get(datemois, datemois)
+            dateannee = line[4:].split(' ')[2]
+            datejour = '%02d' % int(line[4:].split(' ')[0])
+            am = '_'.join(['*am', dateannee, datemois])
+            amj = '_'.join(['*amj', dateannee, datemois, datejour])
+            ucis[-1][0].append(am)
+            ucis[-1][0].append(amj)
+            annee = '_'.join(['*annee', dateannee])
+            ucis[-1][0].append(annee)
+        elif line.strip() in no : #fin
             keepline = False
-        elif line.startswith('RF  ') : #fin
+        elif line.startswith('RF ') : #fin
             keepline = False
-        elif line in ['LP', 'TD'] : #debut texte
+        elif line.strip() in ['LP', 'TD'] : #debut texte
             keepline = True
         else :
             pass
-        if keepline and line not in ['LP', 'TD'] :
-            ucis[-1][1] = '\n'.join([ucis[-1][1],line])
+        if keepline and line.strip() not in ['LP', 'TD', ''] :
+            ucis[-1][1] = '\n'.join([ucis[-1][1],line.replace('*', ' ')])
     return ucis
 
-
 def print_ucis(ucis, ofile, encodage) :
-    toprint = '\n'.join(['\n'.join([' '.join(uci[0]),uci[1]]) for uci in ucis])
-    ofile.write(toprint.encode(encodage))
+    #elimination des articles vides
+    ucis = [uci for uci in ucis if uci[1].strip() != '']
+    toprint = '\n\n'.join(['\n'.join([' '.join(uci[0]),uci[1]]) for uci in ucis])
+    ofile.write(toprint + '\n')
 
-def doparse(txtdir, fileout, encodage_in, encodage_out):
-    files = os.listdir(txtdir) #liste des fichiers dans txtdir
-    with open(fileout,'w') as outf : #ouverture du fichier en sortie
-        for f in files : #pour chaque fichier en entree...
-            f= os.path.join(txtdir, f) #chemin du fichier
-            with codecs.open(f, 'r', encodage_in) as infile : #ouverture du fichier
-                content = infile.read() #lecture du fichier
-            ucis = parsetxt(content)
-            print_ucis(ucis, outf, encodage_out)
 
-#for dat in ['2001','2002','2003','2004', '2005','2006','2007','2008','2009','2010','2011'] :
-#    path = os.path.join(txtdir,dat)
-#    outfile = os.path.join(txtdir, 'corpus_' + dat + '.txt')
-#    doparse(path, outfile)
+class ParseFactivaPaste :
 
+    def __init__(self, txtdir, fileout, encodage_in, encodage_out) :
+        files = []
+        for root, subfolders, subfiles in os.walk(txtdir) :
+            nf = [os.path.join(root, f) for f in subfiles if f.split('.')[-1] == 'txt']
+            nf.sort()
+            files += nf
+        tot = 0
+        with open(fileout,'w') as outf : 
+            for f in files : 
+                print(f)
+                with codecs.open(f, 'r', encodage_in) as infile : 
+                    content = infile.read() 
+                ucis = parsetxtpaste(content)
+                print_ucis(ucis, outf, encodage_out)
+                tot += len(ucis)
+                print('ok', len(ucis), 'articles', ' - total : ', tot)
 
+# execution en direct ???
 if __name__ == '__main__' :
     doparse(txtdir, fileout, encodage_in, encodage_out)
-    print 'fini'
+    print('fini')