#/usr/bin/perl
#-----------------------------------------------------------
<<DOC; 
 Février 2019
 usage : perl parcours-arborescence-fichiers repertoire-a-parcourir rubrique
 Le programme prend en entrée le nom du répertoire contenant les fichiers
 à traiter et le nom de la rubrique à traiter (via une suite de chiffres)
 Le programme construit en sortie 2 fichiers :
 - un fichier TXT
 - un fichier structuré en XML 
 Les 2 fichiers contiennent les zones textuelles extraites des fils RSS
DOC

#perl Load-BAO-tag.pl adresse_répertoire
#-----------------------------------------------------------
my $rep="$ARGV[0]";
my $rubrique="$ARGV[1]";
# on s'assure que le nom du répertoire ne se termine pas par un "/"
$rep=~ s/[\/]$//;
my $i=0;
my %doublons;
open(OUT, ">:encoding(utf-8)", "sortie-$rubrique-regexp.txt");
open(OUTXML, ">:encoding(utf-8)", "sortie-$rubrique-regexp.xml");
print OUTXML "<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n";
print OUTXML "<racine>\n";
open (TALISMANE, ">:encoding(utf8)", "sortie-$rubrique-talismane.txt");

#----------------------------------------
&parcoursarborescencefichiers($rep);	#recurse!
close OUT;
print OUTXML "</racine>\n";
close OUTXML;
close TALISMANE;
exit;
#----------------------------------------------
sub parcoursarborescencefichiers {
    my $path = shift(@_);
    opendir(DIR, $path) or die "can't open $path: $!\n";
    my @files = readdir(DIR);
    closedir(DIR);
    foreach my $file (@files) {
		next if $file =~ /^\.\.?$/;
		$file = $path."/".$file;
		if (-d $file) {
		    print "on entre dans $file \n";
			&parcoursarborescencefichiers($file);	#recurse!
		}
		if (-f $file) {
		    if ($file=~/$rubrique.+\.xml$/) {			
				print $i++," : $file \n";
				open(FIC, "<:encoding(utf-8)", $file);
				my $tout_le_texte="";
				while (my $ligne = <FIC>) {
					chomp $ligne;
					$tout_le_texte = $tout_le_texte . $ligne . " ";
				}
				close FIC;
				$pourtalismane = "";
				while ($tout_le_texte =~ /<item>.*?<title>([^<]*)<\/title>.*?<description>([^<]*)<\/description>.*?<\/item>/g) {
					my $titre = $1;
					my $description = $2;
					my ($titrenettoye,$descriptionnettoye) = &nettoyage($titre,$description);
					if (exists $doublons{$titrenettoye}) {
						$doublons{$titrenettoye}++;
					}
					else {
						$doublons{$titrenettoye}=1;
						$pourtalismane = $pourtalismane . $titrenettoye . $descriptionnettoye;
						print OUT "$titrenettoye\n";
						print OUT "$descriptionnettoye\n";
						print OUTXML "<article>\n";
						my ($titreTT,$descriptionTT) = (&etiquetageTT($titrenettoye, $descriptionnettoye));
						print OUTXML "<titre>$titreTT</titre>\n";
						print OUTXML "<description>$descriptionTT</description>\n";
						print OUTXML "</article>\n";
					}
				}
				my $etiquetTa = &etiquetageTalismane($pourtalismane);
				print TALISMANE "$etiquetTa";
			}
		}
    }
}

sub nettoyage {

my $var = $_[0]; #my ($tit, $des) = @_;
my $var1 = $_[1];

$var = $var . "." ; # $var .= ".";
#$var1 = $var1 . ".";
$var1 =~ s/&#39;/'/g;
return $var, $var1;
}

sub etiquetageTT {

my $vartitre = $_[0];
my $vardesc = $_[1];
my $titretagge;
my $descriptiontagge;

open (TMP, ">:encoding(utf8)", "temp.txt");
print TMP $vartitre ;
close TMP;
system("perl5.28.0.exe tokenise-utf8.pl -f temp.txt | ./tree-tagger.exe -token -lemma -no-unknown french-utf8.par > temps_tag.txt");
system("perl5.28.0.exe treetagger2xml-utf8.pl temps_tag.txt utf8");
{
local $/=undef; #pour inhiber la lecture ligne à ligne
open(FIC1, "<:encoding(utf8)", "temps_tag.txt.xml");
$titretagge = <FIC1>; 
#on se débarrasse de l'entête xml
$titretagge =~s/<\?xml.+?>//;
close FIC1;
}

open (TMP, ">:encoding(utf8)", "temp.txt");
print TMP $vardesc ;
close TMP;
system("perl5.28.0.exe tokenise-utf8.pl -f temp.txt | ./tree-tagger.exe -token -lemma -no-unknown french-utf8.par > temps_tag.txt");
system("perl5.28.0.exe treetagger2xml-utf8.pl temps_tag.txt utf8");
{
local $/=undef; #pour inhiber la lecture ligne à ligne
open(FIC1, "<:encoding(utf8)", "temps_tag.txt.xml");
$descriptiontagge = <FIC1>; 
#on se débarrasse de l'entête xml
$descriptiontagge =~s/<\?xml.+?>//;
close FIC1;
}
return $titretagge, $descriptiontagge;

}

sub etiquetageTalismane {

my $var = shift @_;
open (TMP, ">:encoding(utf8)", "bao1_test.txt");
print TMP $var;
close TMP;
system("java -Xmx1G -Dconfig.file=./TALISMANE/talismane-fr-5.0.4.conf -jar ./TALISMANE/talismane-core-5.1.2.jar --analyse --sessionId=fr --encoding=UTF8 --inFile=bao1_test.txt --outFile=bao1_test.tal");
my $lefil;
{
local $/=undef; #pour inhiber la lecture ligne à ligne
open(FIC1, "<:encoding(utf8)", "bao1_test.tal");
$lefil = <FIC1>; 
close FIC1;
}
return $lefil;

}

#----------------------------------------------