www.iramuteq.org Git - iramuteq/blob - import_txm.py

   1 # -*- coding: utf-8 -*-
   2 #Author: Pierre Ratinaud
   3 #Copyright (c) 2008-2020 Pierre Ratinaud
   4 #modification pour python 3 : Laurent Mérat, 6x7 - mai 2020
   5 #License: GNU/GPL
   6
   7 #------------------------------------
   8 # import des modules python
   9 #------------------------------------
  10 import os
  11 import xml.sax
  12 import glob
  13
  14 class TXMParser(xml.sax.ContentHandler) :
  15     def __init__(self, fileout, encodage_out) :
  16         self.fileout = fileout
  17         self.encodage_out = encodage_out
  18         self.sent = []
  19
  20     def startElement(self, name, attrs) :
  21         self.name = name
  22         if name == 'title' :
  23             pass
  24         if name == 's' :
  25             pass
  26         if name == 'taxonomy' :
  27             pass
  28         if name == 'text' :
  29             self.text2stars(attrs)
  30         if name == 'w' :
  31             pass
  32
  33     def endElement(self, name) :
  34         if name == 's' or name == 'w' :
  35             self.printsent()
  36         if name == 'p' :
  37             self.printsent()
  38             self.fileout.write('\n')
  39
  40     def characters(self, content) :
  41         if self.name == 'txm:form' :
  42             if content not in ['', ' ', '\n', '\r'] :
  43                 self.sent.append(content.rstrip('\n\r'))
  44             #self.fileout.write(content.encode('utf8'))
  45
  46     def text2stars(self, attrs) :
  47         stars = ['_'.join(val).replace(' ', '_').replace("'", '_').replace('/','').replace('.','').replace(';', '').replace(':', '').replace('·','') for val in list(attrs.items())]
  48         stars = [''.join(['*', val]) for val in stars]
  49         stars = '**** ' + ' '.join(stars)
  50         self.fileout.write(stars)
  51         self.fileout.write('\n')
  52
  53     def printsent(self) :
  54         if self.sent != [] :
  55             sent = ' ' + ' '.join(self.sent)
  56             for val in [' .', ' ,', ' ;', ' :', ' ?', ' !', ' -'] :
  57                 sent = sent.replace(val, val.strip())
  58             sent = sent.replace("' ", "'")
  59             self.fileout.write(sent)
  60         self.sent = []
  61
  62 def TXM2IRA(pathin, fileout, encodage_in, encodage_out) :
  63         parser = xml.sax.make_parser()
  64         files = glob.glob(os.path.join(pathin,'*.xml'))
  65         if len(files) == 0 :
  66             return 'nofile'
  67         with open(fileout, 'w') as fout :
  68             parser.setContentHandler(TXMParser(fout, encodage_out))
  69             for f in files :
  70                 parser.parse(open(f, 'r'))
  71                 fout.write('\n\n')
  72         return None