fichier texte vers dictionnaire

**WOM84** · 25/09/2018, 12h52

Bonjour à tous,
Je cherche à structurer le fichier texte suivant en vue de l'intégrer à une base de données. J'ai sais que l'on peut utiliser sqlite avec python, mais je crains que ça ne complique encore les choses.

J'essaie donc de créer un dictionnaire contenant pour chaque titre son auteur, sa rubrique, sous rubrique, page et numéro de revue. pour les 1ere lignes ça donnerait :
'Du côté de la poésie et de l'espoir','Editorial',,,'Louis Pauwels','5','N°1'

Voici le fichier texte du numéro 3, je me suis déjà paluché les deux premiers à la main :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
= N°3 =
 
== Editorial ==
5
Du côté de la poésie et de l'espoir
par Louis Pauwels
 
== Chronique de notre civilisation ==
9
Trois hommes sur le bateau
 
== Le mouvement des connaissances ==
15
Boucher de Perthes
par Stéphane Arnaud
Le génie que j'ai vu vivre en liberté
par George Magloire
Quelle formidable machine que l'homme!
Par Aldoux Huxley
 
== Les civilisations disparues ==
41
Le plus ancien "haut-lieu" du monde?
Par Daniel Ruzo
 
== L'art fantastique de tous les temps ==
49
Assur : grandeur et terreur
par Jacques Ménétrier
Un peintre fantastique inconnu
par Jacques Sternberg
 
== Les ouvertures de la science ==
71
Interview d'un calculateur prodige
par Jacques Mousseau
Trois fenêtres sont ouvertes sur l'infini
par Jacques Bergier
 
== La littérature différente ==
83
Voltaire, contemporain de l'ère cosmique
par Aimé Michel
Le pacifiste
par Arthur C. Clarke
 
== Les mystères du monde animal ==
95
A la recherche du serpent de mer
par Bernard Heuvelmans
 
== L'histoire invisible ==
105
Quand l'Angleterre cessa d'être une île
par Gabriel Véraldi
 
== L'amour à refaire ==
113
Le couple, le foyer, la femme, la liberté
Propos choisis de G.-K. Chesterton
 
== Informations et Critiques, Analyse des Œuvres, des Idées, des Travaux et desDécouvertes ==
=== L'histoire ===
122
Un étonnant témoignage
La première histoire de la Géologie
L'Histoire en action
 
128
=== L'archéologie ===
Première utilisation d'une machine à remonter le temps / Le mystère des tectites / Fouilles et découvertes récentes
130
=== La sociologie ===
Un livre extraordinaire / Un ouvrage important / Arthur Koestler / La Société Pierre Teilhard de Chardin
 
139
=== Une nouvelle vague en sciences ===
Surhommes et dauphins / Un des ouvrages les plus importants de notre époque
 
143
=== Les arts anciens et modernes ===
Bilan d'une exposition capitale / Bilan d'une exposition inutile
 
146
=== La civilisation noire ===
Révélation sur la magie au Congo
 
148
=== La culture en U.R.S.S. ===
Un documenL sur l'art abstrait
 
150
=== La littérature anglo-saxonne ===
Un extraodinaire témoignage sur les trafics de chaire humaine / Une anthologie française de l'humour anglo-américain
 
153
=== Le cinéma ===
Points de vue sur l'aventure Renoir
 
155
=== La télévision ===
Une déclaration de Louis Merlin
 
157
=== La géo-politique ===
Une histoire mondiale du pétrole
 
158
=== La musique ===
«La voix humaine» / J .-S. Bach

Le fichier est formaté pour mediawiki, il me semblai que ce serait plus simple pour repérer quelle ligne correspond à quoi.

Et voici mon code, qui échoue avec un : line 35, in <module>
planete[titre]=(rubrique,srubrique,ssrubrique,auteur,npage,nrevue)
NameError: name 'rubrique' is not defined

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
#TODO: lis le fichier C:\Datas\Planete
fs = open('C:\\Datas\\Planete1.txt', encoding="utf8") #fs : fichier source
#fd = open('C:\\Datas\\PlaneteD.txt', encoding="utf8") #fd : fichier destination
 
while 1:
    ft = fs.readline()  # ft : fichier de travail
    print(ft)
    # TODO: si la ligne commence par "= ": c'est un numero-revue
    if ft.startswith('= '):
        nrevue = ft
    #TODO: si la ligne commence par "== ": c'est une rubrique
    elif ft.startswith('== '):
        rubrique = ft
    #TODO: si la ligne .startswith('=== '): c'est une sous-rubrique
    elif ft.startswith('=== '):
        srubrique = ft
    #TODO: si la ligne .startswith('==== '): c'est une sous-sous-rubrique
    elif ft.startswith('==== '):
        ssrubrique = ft
    #TODO: si la ligne.lower() .startswith('par ','un entretien de ','avec ','présentées par ','Propos choisis de ','de '):
    #c'est l'auteur de l'article
    elif ft.lower().startswith('par ','un entretien de ','avec ','présentées par ','propos choisis de ','de '):
        auteur = ft
    #TODO: si la ligne .isalpha(): c'est le titre-article
    elif ft.isalpha():
        titre = ft
    #TODO: si la ligne isdecimal(): c'est le numero-page
    elif ft.isdecimal():
        npage = str(ft)
    #TODO: si la ligne est vide, passer
    elif ft.isspace():
        pass
    planete[titre]=(rubrique,srubrique,ssrubrique,auteur,npage,nrevue)

Désolé si mon code ne mène nul part, je suis au max la

Merci,
Wom

**wiztricks** · 25/09/2018, 17h55

Salut,

Quand j'ai ce genre de problème, je procède par étapes.
Déjà, il faut essayer de repérer dans votre fichier les blocs qui se répètent:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
== Editorial ==
5
Du côté de la poésie et de l'espoir
par Louis Pauwels
 
== Chronique de notre civilisation ==
9
Trois hommes sur le bateau

Et vous voyez (ou pas) qu'un bloc d'information commence à une ligne qui débute par '==' et comprend toutes les lignes suivantes jusqu'à la prochaine ligne vide.
Donc dans un premier temps, il faut découper le fichier en blocs puis traiter chaque bloc pour en sortir la catégorie, le nombre de pages, la liste des titres suivis optionnellement de leur auteur. Ce qui suggère la structure:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
for bloc in get_blocs(fichier):
     categorie, pages, titres = get_infos(bloc)
     print (categorie, pages, titres)

Maintenant, pour entrer dans les détails de get_blocs et get_infos, il faut choisir des entrées qui soient significatives histoire de pouvoir tester les différents cas de figures. Alors on peut commencer à coder séparément get_blocs et get_infos.

- W

**YCL-1** · 25/09/2018, 21h57

Bonsoir,

Au vu du formatage cela sera compliqué d'extraire votre texte à l'aide de conditions car ça impliquera de tester chaque cas et d'imbriquer pas mal de boucle.

Je partirai sur la même idée que wiztricks mais non pas de manière itérative comme vous avez commencé à faire mais en utilisant les expressions régulières (regex):
Un cours en français assez complet sur le sujet et l'application en python : https://docs.python.org/fr/3/howto/regex.html

Voici un outil en ligne qui vous permettra de vous faire la main : https://regex101.com/
La syntaxe est très complexe et peu intuitive il faut le reconnaître mais il n'y a pas plus efficace.

Un exemple :

Pour extraire chaque portion de niveau 2 (== titre ==) :

Note : Pour capturer le dernier bloc j'ai dû m'aider en rajoutant "==" sur la dernière ligne de votre exemple pour permettre de délimiter la fin du bloc, encore qu'il doit être possible de régler ça mais ce n'est pas bien gênant

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

^={2}\s(.|\n)*?^(?=\={2}\s)

Explication :

^ : début de ligne
={2}\s correspond à "== " qu'on peut écrire aussi sous cette forme mais c'est moins visible à travers l'expression, ici il suffit de changer le nombre pour changer de niveau
(.|\n) Tous les caractères (.) en dehors du retour à la ligne ou (|) le retour à la ligne (\n)
*? Répète le match du groupe (.|\n) autant de fois de possible jusqu'à la prochaine correspondance (pas évident à traduire la signification)
(?=\={2}\s) Jusqu'au nouveau bloc "== " exclus

ça donne ceci :

Groupe 1:

Groupe 2:

Groupe 11 :

Puis ensuite pour extraire les sous-niveaux, en prenant le groupe 11 par exemple (le dernier morceau) :

Note : même problème il faut rajouter "===" en fin de texte pour permettre d'extraire le dernier bloc

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

^={3}\s(.|\n)*?^(?=\={3}\s)

Groupe 11.1 :

Groupe 11.2 :

etc...

Je ne suis pas sûr de l'interprétation du contenu, si le numéro correspond au groupe d'après il suffit d'identifier jusqu'à la ligne vide ^.{0}$

Mais là ça risque d'être velu :

Une piste serait de faire un truc dans le genre :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

(?=^.{0}$).*(?=\d+)

et de l'arrêter à la 2ème occurrence de "== "

Bref... bon courage

**WOM84** · 26/09/2018, 08h50

Bonjour, merci de vos réponses!!

Je regarde tout ça aujourd'hui au lieu de bosser!

**WOM84** · 29/09/2018, 13h45

Salut,
J'ai un peu avancé sur mon problème, même si n'est pas avec re ou les get_block/info

, je garde ça pour les prochaines étapes.

J'ai remis en forme mon texte pour qu'il ai toujours la même structure :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
= N°3 =
 
== Éditorial ==
5
Du côté de la poésie et de l'espoir
par Louis Pauwels
 
== Chronique de notre civilisation ==
9
Trois hommes sur le bateau
par la rédaction
 
== Le mouvement des connaissances ==
15
Boucher de Perthes
par Stéphane Arnaud
 
00
Le génie que j'ai vu vivre en liberté
par George Magloire
 
00
Quelle formidable machine que l'homme!
Par Aldous Huxley

Ensuite je préfixe les lignes pages et auteurs :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
conditions = "avec des articles de", "avec", "de ", "de notre envoyé spécial à Genève", \
             "de notre envoyé spécial aux U.S.A.", "entretien avec", "nouvelle de", "présentées par", \
             "Propos choisis de", "par", "reportage photographique de", "un entretien", "une nouvelle de", \
             "un texte inédit de", "un inédit de", "un conte de"
#la ligne auteur peut commencer d'une des manières précédente. je les déclare pour utiliser la variable conditions
 
out = open('C:\\Datas\\N3-pa.txt', 'w', encoding="utf8") #fichier de destination
 
with open('C:\\Datas\\N3.txt', encoding="utf8") as f:
    for line in f:
        line = line.rstrip()
        if line.isdecimal():
            line = '<p>'+line+'\n'
            out.write(line)
        elif line.lower().startswith(conditions): #si en minuscule la ligne commence avec une des conditions
            line = '<a>'+line+'\n'
            out.write(line)
        else:
            out.write(line+'\n')

Ce qui, je crois, simplifiera la suite :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
= N°3 =
 
== Éditorial ==
<p>5
Du côté de la poésie et de l'espoir
<a>par Louis Pauwels
 
== Chronique de notre civilisation ==
<p>9
Trois hommes sur le bateau
<a>par la rédaction
 
== Le mouvement des connaissances ==
<p>15
Boucher de Perthes
<a>par Stéphane Arnaud
 
<p>00
Le génie que j'ai vu vivre en liberté
<a>par George Magloire
 
<p>00
Quelle formidable machine que l'homme!
<a>Par Aldous Huxley

Mon problème actuel est d'ajouter un préfixe <t> à la ligne titre (entre la page et l'auteur). line.isalnum() ne fonctionne pas s'il n'y a pas que des lettres dans la ligne. Comment faire pour prendre en compte les lettres et la ponctuation, ou pour ne pas préfixer les ligne vides?

edit : il suffit que je l'écrive pour trouver que si je fais

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
        if line.isdecimal():
            line = '<p>'+line+'\n'+'<t>'
            out.write(line)

ça fonctionne.

**YCL-1** · 29/09/2018, 18h27

C'est une bonne idée d'essayer de baliser votre contenu.

Mais je pense que vous auriez beaucoup plus simple à le faire avec un éditeur de texte avancé, comme Notepad++.

Avec la fonction macro d'enregistrement des actions/écritures et recherche, c'est assez efficace si on parvient à trouver le terme permettant de passer d'un bloc à un autre.
Et ça gère les expressions régulières.

Prenez la peine d'essayer ça devrait solutionner votre problème en moins de deux et sans nécessiter de codage.

Exemple pour identifier les lignes contenant uniquement un nombre :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

^\d+$

^ : début et fin de ligne : $
\d+ Nombre de longueur indéterminé

Nom : Notepad++ Recherche Expression régulière.png
Affichages : 1728
Taille : 27,0 Ko

Ensuite on démarre l'enregistrement d'une macro avec le bouton enregistrer :

On place le curseur en début de fichier

Puis il suffit de jouer la séquence qui va écrire les balises au début et à la fin :

F3 : pour recherche la ligne contenant les nombres :
<début/HOME> pour se placer en début de ligne
puis on écrit la balise <p>
<Fin/END> pour se placer en fin de ligne
si on souhaite placer une balise fermante par exemple, comme en HTML.

Puis on arrête la macro et il ne reste plus qu'à jouer la séquence et c'est terminé !

Pour traiter un seul gros fichier c'est parfois suffisant.

fichier texte vers dictionnaire [Python 3.X]

Python

Vue hybride

Discussions similaires

Partager

Partager