#/usr/bin/perl
#-----------------------------------------------------------
# usage : perl parcours-arborescence-fichiers repertoire-a-parcourir rubrique
# Le programme prend en entrée le nom du répertoire-racine contenant les fichiers
# à traiter et le nom de la rubrique à traiter parmi ces fichiers
#méthode 1 : extraction du contenu textuel des balises TITLE et DESCRIPTION avec les expressions régulières
#-----------------------------------------------------------
my $rep="$ARGV[0]";
my $rubrique ="$ARGV[1]";

# On s'assure que le nom du répertoire ne se termine pas par un "/"
$rep=~ s/[\/]$//;

# Initialisation des fichiers de sortie
open(OUT,">:encoding(utf8)","sortie-slurp_$rubrique.txt");
open(OUTXML,">:encoding(utf8)","sortiexml-slurp_$rubrique.xml");
print OUTXML "<?xml version=\"1.0\" encoding=\"utf-8\" ?>\n";
print OUTXML "<corpus2019>\n";
my %dico_des_titres=();
#----------------------------------------
&parcoursarborescencefichiers($rep);	#recursivité!
#----------------------------------------
print OUTXML "</corpus2019>\n";
close OUT;
close OUTXML;
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 $file) {
	    &parcoursarborescencefichiers($file);	#recurse!
	}
	if (-f $file) {
	    if ($file =~/$rubrique.+xml$/) {
		print $i++," Traitement de : ",$file,"\n";
		open(FIC,"<:encoding(utf8)",$file);
		$/=undef;     #ou $\=""
		my $textelu=<FIC>;
		close FIC;
		while ($textelu=~/<item>.*?<title>(.+?)<\/title>.+?<description>(.+?)<\/description>/sg) {
		    my $titre=$1;
		    my $description=$2;
		    if (!(exists $dico_des_titres{$titre})) { 
			$dico_des_titres{$titre}=$description ;
			# Appel du sous-programme de nettoyage 
			($titre,$description)=&nettoyage($titre,$description);
			# Ecriture des résultats en sorties
			print OUT "TITRE : $titre \n";
			print OUT "DESCRIPTION : $description \n";
			print OUT "--------------------\n";
			print OUTXML "<item>\n";
			print OUTXML "<titre>$titre</titre>\n";
			print OUTXML "<description>$description</description>\n";
			print OUTXML "</item>\n";
		       }
		   }
	   }
	}
	
	
    }
}
#----------------------------------------------
sub nettoyage {
    my $titre = $_[0];
    my $description = $_[1];
	$titre=~s/^<!\[CDATA\[//;
	$titre=~s/\]\]>$//;
	$description=~s/^<!\[CDATA\[//;
	$description=~s/\]\]>$//;
    $description=~s/&lt;.+?&gt;//g;
    $description=~s/&#38;#39;/'/g;
    $description=~s/&#38;#34;/"/g;
    $description =~ s/&amp;/&/g;
    $titre=~s/&lt;.+?&gt;//g;
    $titre =~ s/&amp;/&/g;
    $titre=~s/&#38;#39;/'/g;
    $titre=~s/&#38;#34;/"/g;
    $titre=~s/$/\./g;
    return $titre,$description;
}