#/usr/bin/perl -w
use strict;

my $file="$ARGV[0]";

# On récupère dans une variable le nom du fichier
$file=~s/\.xml$//;

# On ouvre le document XML donnée en argument et on créé un fichier de sortie
my $output="OUTPUT/$file"."-tree-tagger.xml";
open(FICHIERUB,"<:encoding(utf-8)","$file.xml");
open(SORTIEXML,">:encoding(utf-8)","$output");

# On concatène toutes balises du document XML dans une variable
my $textexml="";
while (my $ligne = <FICHIERUB>) {
	$ligne =~s /\n//g;
	$textexml .= $ligne;
	}

# On prépare l'entête du document de sortie au format XML
print SORTIEXML "<?xml version=\"1.0\" encoding=\"utf-8\" ?>\n<rubrique nom=\"$file\">\n";

# Au fur et à mesure, on extrait au moyen d'une expression régulière le contenu des balises <title> et <abstract> ainsi que le numéro des articles et leur date de parution
while ($textexml =~/<article numero=\"([0-9]+)\"><title>([^<]+)<\/title><abstract\>([^<]+)<\/abstract><date>([^<]+)<\/date>/g) {
	my $numero=$1;
	my $titre=$2;
	my $resume=$3;
	my $date=$4;
	print $titre;
    
    # On enregistre dans des fichiers tampon le contenu textuel des balises <titre> et <abstract>
    open(TAMPONTITRE,">:encoding(utf-8)","tampontitre.txt");
    open(TAMPONRESUME,">:encoding(utf-8)","tamponresume.txt");
    print TAMPONTITRE $titre;
	print TAMPONRESUME $resume;
    close TAMPONTITRE;
    close TAMPONRESUME;
    
    # On lance le programme TreeTagger sur le fichier tampon contenant le contenu textuel du titre de l'article
    system("perl TreeTagger/cmd/tokenise-fr.pl tampontitre.txt | TreeTagger/bin/tree-tagger TreeTagger/lib/french-utf8.par -lemma -token -no-unknown -sgml > treetagger.txt");
    
    # On convertie au format XML le résultat de l'étiquetage
    system("perl TreeTagger/cmd/treetagger2xml-utf8.pl treetagger.txt utf-8");

    # On ouvre le fichier de résultat après convertion au format XML et on enregistre son contenu dans une variable
    open(OUT,"<:encoding(utf-8)","treetagger.txt.xml");
    my $titreetiquete="";
    while (my $l=<OUT>) {
        $titreetiquete.=$l;
    }
    # On ferme ce document
    close(OUT);
    
    # On effectue la même série d'opération pour obtenir l'étiquetage du contenu de la balise <abstract>
    system("perl TreeTagger/cmd/tokenise-fr.pl tamponresume.txt | TreeTagger/bin/tree-tagger TreeTagger/lib/french-utf8.par -lemma -token -no-unknown -sgml > treetagger.txt");
    system("perl TreeTagger/cmd/treetagger2xml-utf8.pl treetagger.txt utf-8 ");
    open(OUT,"<:encoding(utf-8)","treetagger.txt.xml");
    my $resumeetiquete="";
    while (my $l=<OUT>) {
        $resumeetiquete.=$l;
    }
    close(OUT);
    
    # On écrit dans le fichier de sortie XML le résultat de l'étiquetage du titre et du résumé de chaque article au format XML. On en profite pour ajouter les balises correspondant au numéro de l'article et à la date de publication
    print SORTIEXML "<article numero=\"$1\">\n<titre>\n$titreetiquete</titre>\n<resume>\n$resumeetiquete</resume>\n<date>$date</date>\n</article>\n";         
}

# On cloture le fichier XML de sortie
print SORTIEXML "</rubrique>";

# On ferme les fichiers ouverts
close SORTIEXML;
close FICHIERUB;

# On supprime les fichiers tampons
unlink("tampontitre.txt");
unlink("tamponresume.txt");
unlink("treetagger.txt");
unlink("treetagger.txt.xml");