apps/catalogue/management/edumed.py

   1 # EduMed auto-tagger
   2 # -*- coding: utf-8 -*-
   3 import re
   4 from slughifi import slughifi
   5
   6
   7 class Tagger(object):
   8     def __init__(self, state, lines):
   9         self.state = state
  10         self.lines = lines
  11
  12     def spawn(self, cls):
  13         return cls(self.state, self.lines)
  14
  15     def line(self, position):
  16         return self.lines[position]
  17
  18     ignore = [re.compile(r"^[\[][PA][\]] - [^ ]+$")]
  19     empty_line = re.compile(r"^\s+$")
  20
  21     def skip_empty(self, position):
  22         while self.line(position) == "" or \
  23             self.empty_line.match(self.line(position)) or \
  24             filter(lambda r: r.match(self.line(position)),
  25                              self.ignore[:]):
  26             position += 1
  27         return position
  28
  29     def tag(self, position):
  30         """
  31 Return None -- means that we can't tag it in any way
  32         """
  33         return None
  34
  35     def wrap(self, tagname, content):
  36         return u"<%s>%s</%s>" % (tagname, content, tagname)
  37
  38     @staticmethod
  39     def anymatches(regex):
  40         return lambda x: regex.match(x)
  41
  42
  43 class Section(Tagger):
  44     looks_like = re.compile(r"^[IVX]+[.]\s+(.*)$")
  45
  46     def __init__(self, *a):
  47         super(Section, self).__init__(*a)
  48         self.is_podrozdzial = False
  49
  50     def tag(self, pos):
  51         pos2 = self.skip_empty(pos)
  52         pos = pos2
  53         m = self.looks_like.match(self.line(pos))
  54         if m:
  55             self.title = m.groups()[0]
  56             return pos + 1
  57
  58     def __unicode__(self):
  59         return self.wrap(self.is_podrozdzial and "naglowek_podrozdzial" or "naglowek_rozdzial",
  60                          self.title)
  61
  62
  63 class Meta(Tagger):
  64     looks_like = re.compile(r"([^:]+): (.*)", re.UNICODE)
  65
  66     def tag(self, pos):
  67         pos = self.skip_empty(pos)
  68         m = self.looks_like.match(self.line(pos))
  69         if m:
  70             k = m.groups()[0]
  71             v = m.groups()[1]
  72             m = self.state.get('meta', {})
  73             m[k] = v
  74             self.state['meta'] = m
  75             return pos + 1
  76
  77
  78 class Informacje(Tagger):
  79     def tag(self, pos):
  80         self.title = self.spawn(Section)
  81         self.meta = []
  82         pos = self.title.tag(pos)
  83         if pos is None: return
  84
  85             # collect meta
  86         while True:
  87             pos = self.skip_empty(pos)
  88             meta = self.spawn(Meta)
  89             pos2 = meta.tag(pos)
  90             if pos2 is None: break
  91             self.meta.append(meta)
  92             pos = pos2
  93
  94         return pos
  95
  96
  97 class List(Tagger):
  98     point = re.compile(r"^[\s]*[-*·]{1,2}(.*)")
  99     num = re.compile(r"^[\s]*[0-9a-z]{1,2}[.]\s+(.*)")
 100
 101     def __init__(self, *args):
 102
 103         super(List, self).__init__(*args)
 104         self.items = []
 105         self.type = 'punkt'
 106
 107     def tag(self, pos):
 108         while True:
 109             l = self.line(pos)
 110             m = self.point.match(l)
 111             if not m:
 112                 m = self.num.match(l)
 113                 if m: self.type = 'num'
 114             if l and m:
 115                 self.items.append(m.groups()[0].lstrip())
 116                 pos += 1
 117             else:
 118                 break
 119         if self.items:
 120             return pos
 121
 122     def append(self, tagger):
 123         self.items.append(tagger)
 124
 125     def __unicode__(self):
 126         s = '<lista typ="%s">' % self.type
 127         for i in self.items:
 128             if isinstance(i, list):
 129                 x = "\n".join(map(lambda elem: unicode(elem), i))
 130             else:
 131                 x = unicode(i)
 132             s += "\n<punkt>%s</punkt>" % x
 133         s += "\n</lista>\n"
 134         return s
 135
 136
 137 class Paragraph(Tagger):
 138     remove_this = [
 139         re.compile(r"[\s]*opis zawarto.ci[\s]*", re.I),
 140         re.compile(r"^[\s]*$")
 141         ]
 142     podrozdzial = [
 143         re.compile(r"[\s]*(przebieg zaj..|opcje dodatkowe)[\s]*", re.I),
 144         ]
 145
 146     def tag(self, pos):
 147         self.line = self.lines[pos]
 148         self.ignore = False
 149         self.is_podrozdzial = False
 150
 151         for x in self.remove_this:
 152             if x.match(self.line):
 153                 self.ignore = True
 154
 155         for x in self.podrozdzial:
 156             if x.match(self.line):
 157                 self.is_podrozdzial = True
 158
 159         return pos + 1
 160
 161     def __unicode__(self):
 162         if not self.ignore:
 163             if self.is_podrozdzial:
 164                 tag = 'naglowek_podrozdzial'
 165             else:
 166                 tag = 'akap'
 167             return u"<%s>%s</%s>" % (tag, self.line, tag)
 168         else:
 169             return u''
 170
 171
 172 class Container:
 173     def __init__(self, tag_name, *elems):
 174         self.tag_name = tag_name
 175         self.elems = elems
 176
 177     def __unicode__(self):
 178         s = u"<%s>" % self.tag_name
 179         add_nl = False
 180         for e in self.elems:
 181             if isinstance(e, (str, unicode)):
 182                 s += unicode(e)
 183             else:
 184                 s += "\n  " + unicode(e)
 185                 add_nl = True
 186
 187         if add_nl: s += "\n"
 188         s += u"</%s>" % self.tag_name
 189         return s
 190
 191
 192 def eatany(pos, *taggers):
 193     try:
 194         for t in list(taggers):
 195             p = t.tag(pos)
 196             if p:
 197                 return (t, p)
 198     except IndexError:
 199         pass
 200     return (None, pos)
 201
 202
 203 def eatseq(pos, *taggers):
 204     good = []
 205     taggers = list(taggers[:])
 206     try:
 207         while len(taggers):
 208             p = taggers[0].tag(pos)
 209             if p is None:
 210                 return (tuple(good), pos)
 211             good.append(taggers.pop(0))
 212             # print "%d -> %d" % (pos, p)
 213             pos = p
 214
 215     except IndexError:
 216         print "Got index error for pos=%d" % pos
 217     return (tuple(good), pos)
 218
 219
 220 def tagger(text, pretty_print=False):
 221     """
 222 tagger(text) function name and signature is a contract.
 223 returns auto-tagged text
 224     """
 225     if not isinstance(text, unicode):
 226         text = unicode(text.decode('utf-8'))
 227     lines = text.split("\n")
 228     pos = 0
 229     content = []
 230     state = {}
 231     info = Informacje(state, lines)
 232
 233     ((info,), pos) = eatseq(pos, info)
 234
 235     # print "[i] %d. %s" % (pos, lines[pos])
 236
 237     content.append(info)
 238
 239     while True:
 240         x, pos = eatany(pos, info.spawn(Section),
 241                         info.spawn(List), info.spawn(Paragraph))
 242
 243         if x is not None:
 244             content.append(x)
 245         else:
 246             content.append(lines[pos])
 247             pos += 1
 248             if pos >= len(lines):
 249                 break
 250
 251     return toxml(content, pretty_print=pretty_print)
 252
 253 dc_fixed = {
 254     'description': u'Publikacja zrealizowana w ramach projektu Cyfrowa Przyszłość (http://cyfrowaprzyszlosc.pl).',
 255     'relation': u'moduły powiązane linki',
 256     'description.material': u'linki do załączników',
 257     'rights': u'Creative Commons Uznanie autorstwa - Na tych samych warunkach 3.0',
 258     }
 259
 260
 261 def find_block(content, title_re, begin=-1, end=-1):
 262     title_re = re.compile(title_re, re.I | re.UNICODE)
 263     print "looking for %s" % title_re.pattern
 264     if title_re.pattern[0:6] == 'pomoce':
 265         import pdb; pdb.set_trace()
 266
 267     rb = -1
 268     if begin < 0: begin = 0
 269     if end < 0: end = len(content)
 270
 271     for i in range(begin, end):
 272         elem = content[i]
 273         if isinstance(elem, Paragraph):
 274             if title_re.match(elem.line):
 275                 rb = i
 276                 continue
 277         if isinstance(elem, Section):
 278             if title_re.match(elem.title):
 279                 rb = i
 280                 continue
 281         if rb >= 0:
 282             if isinstance(elem, List):
 283                 continue
 284             if isinstance(elem, Paragraph) and elem.line:
 285                 continue
 286             break
 287     if rb >= 0:
 288         return rb, i
 289
 290
 291 def remove_block(content, title_re, removed=None):
 292     rb, re = find_block(content, title_re)
 293
 294     if removed is not None and isinstance(removed, list):
 295         removed += content[rb:re][:]
 296     content[rb:re] = []
 297     return content
 298
 299
 300 def mark_activities(content):
 301     i = 0
 302     tl = len(content)
 303     is_przebieg = re.compile(r"[\s]*przebieg zaj..[\s]*", re.I)
 304
 305     is_next_section = re.compile(r"^[IVX]+[.]? ")
 306     is_activity = re.compile(r"^[0-9]+[.]? (.+)")
 307
 308     is_activity_tools = re.compile(r"^pomoce:[\s]*(.+)")
 309     is_activity_work = re.compile(r"^forma pracy:[\s]*(.+)")
 310     is_activity_time = re.compile(r"^czas:[\s]*([\d]+).*")
 311     activity_props = {
 312         'pomoce': is_activity_tools,
 313         'forma': is_activity_work,
 314         'czas': is_activity_time
 315         }
 316     activities = []
 317
 318     in_activities = False
 319     ab = -1
 320     ae = -1
 321     while True:
 322         e = content[i]
 323         if isinstance(e, Paragraph):
 324             if not in_activities and \
 325                 is_przebieg.match(e.line):
 326                 in_activities = True
 327
 328             if in_activities and \
 329                 is_next_section.match(e.line):
 330                 in_activities = False
 331             if in_activities:
 332                 m = is_activity.match(e.line)
 333                 if m:
 334                     e.line = m.groups()[0]
 335                     ab = i
 336                 if is_activity_time.match(e.line):
 337                     ae = i + 1
 338                     activities.append((ab, ae))
 339         i += 1
 340         if i >= tl: break
 341
 342     activities.reverse()
 343     for ab, ae in activities:
 344         act_len = ae - ab
 345         info_start = ae
 346
 347         act_els = []
 348         act_els.append(Container("opis", content[ab]))
 349         for i in range(ab, ae):
 350             e = content[i]
 351             if isinstance(e, Paragraph):
 352                 for prop, pattern in activity_props.items():
 353                     m = pattern.match(e.line)
 354                     if m:
 355                         act_els.append(Container(prop, m.groups()[0]))
 356                         if info_start > i: info_start = i
 357         act_els.insert(1, Container('wskazowki',
 358                                     *content[ab + 1:info_start]))
 359         content[ab:ae] = [Container('aktywnosc', *act_els)]
 360     return content
 361
 362
 363 def mark_dictionary(content):
 364     db = -1
 365     de = -1
 366     i = 0
 367     is_dictionary = re.compile(r"[\s]*s.owniczek[\s]*", re.I)
 368     is_dictentry = re.compile(r"([^-]+) - (.+)")
 369     slowniczek = content[0].spawn(List)
 370     slowniczek.type = 'slowniczek'
 371     while i < len(content):
 372         e = content[i]
 373         if isinstance(e, Section):
 374             if is_dictionary.match(e.title):
 375                 db = i + 1
 376             elif db >= 1:
 377                 de = i
 378                 content[db:de] = [slowniczek]
 379                 break
 380         elif db >= 0:
 381             if isinstance(e, Paragraph):
 382                 m = is_dictentry.match(e.line)
 383                 if m:
 384                     slowniczek.append([Container('definiendum', m.groups()[0]),
 385                                        Container('definiens', m.groups()[1])])
 386
 387                 else:
 388                     slowniczek.append(e)
 389         i += 1
 390
 391     return content
 392
 393
 394 def move_evaluation(content):
 395     evaluation = []
 396
 397     content = remove_block(content, r"ewaluacja[+ PA\[\].]*", evaluation)
 398     if evaluation:
 399         #        print "found evaluation %s" % (evaluation,)
 400         evaluation[0].is_podrozdzial = True
 401         # evaluation place
 402         opcje_dodatkowe = find_block(content, r"opcje dodatkowe\s*")
 403         if opcje_dodatkowe:
 404             #            print "putting evaluation just before opcje dodatkowe @ %s" % (opcje_dodatkowe, )
 405             content[opcje_dodatkowe[0]:opcje_dodatkowe[0]] = evaluation
 406         else:
 407             materialy = find_block(content, r"materia.y[+ AP\[\].]*")
 408             if materialy:
 409                 #                print "putting evaluation just before materialy @ %s" % (materialy, )
 410                 content[materialy[0]:materialy[0]] = evaluation
 411             else:
 412                 print "er.. no idea where to place evaluation"
 413     return content
 414
 415
 416 def toxml(content, pretty_print=False):
 417     # some transformations
 418     content = mark_activities(content)
 419     content = mark_dictionary(content)
 420     content = remove_block(content, r"wykorzyst(yw)?ane metody[+ PA\[\].]*")
 421     content = remove_block(content, r"(pomoce|potrzebne materia.y)[+ PA\[\]]*")
 422     content = move_evaluation(content)
 423
 424     info = content.pop(0)
 425
 426     state = info.state
 427     meta = state['meta']
 428     slug = slughifi(meta.get(u'Tytuł modułu', ''))
 429     holder = {}
 430     holder['xml'] = u""
 431
 432     def p(t):
 433         holder['xml'] += u"%s\n" % t
 434
 435     def dc(k, v):
 436         p(u'<dc:%s xml:lang="pl" xmlns:dc="http://purl.org/dc/elements/1.1/">%s</dc:%s>' % (k, v, k))
 437
 438     def t(tag, ct):
 439         p(u'<%s>%s</%s>' % (tag, ct, tag))
 440
 441     def a(ct):
 442         if ct:
 443             t(u'akap', ct)
 444
 445     p("<utwor>")
 446     p(u'<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#">')
 447     p(u'<rdf:Description rdf:about="http://redakcja.cyfrowaprzyszlosc.pl/documents/">')
 448     authors = map(unicode.strip, meta[u'Autorzy'].split(u','))
 449     for author in authors:
 450         names = author.split(u' ')
 451         lastname = names.pop()
 452         names.insert(0, lastname + ",")
 453         author = u' '.join(names)
 454         dc(u'creator', author)
 455     dc(u'title', meta.get(u'Tytuł modułu', u''))
 456     dc(u'relation.isPartOf', meta.get(u'Dział', u''))
 457     dc(u'publisher', u'Fundacja Nowoczesna Polska')
 458     dc(u'subject.competence', meta.get(u'Wybrana kompetencja z Katalogu', u''))
 459     dc(u'subject.curriculum', meta.get(u'Odniesienie do podstawy programowej', u''))
 460     for keyword in meta.get(u'Słowa kluczowe', u'').split(u','):
 461         keyword = keyword.strip()
 462         dc(u'subject', keyword)
 463     dc(u'description', dc_fixed['description'])
 464     dc(u'description.material', dc_fixed['description.material'])
 465     dc(u'relation', dc_fixed['relation'])
 466     dc(u'identifier.url', u'http://cyfrowaprzyszlosc.pl/%s' % slug)
 467     dc(u'rights', dc_fixed['rights'])
 468     dc(u'rights.license', u'http://creativecommons.org/licenses/by-sa/3.0/')
 469     dc(u'format', u'xml')
 470     dc(u'type', u'text')
 471     dc(u'date', u'2012-11-09')  # TODO
 472     dc(u'audience', meta.get(u'Poziom edukacyjny', u''))
 473     dc(u'language', u'pol')
 474     p(u'</rdf:Description>')
 475     p(u'</rdf:RDF>')
 476
 477     p(u'<powiesc>')
 478     t(u'nazwa_utworu', meta.get(u'Tytuł modułu', u''))
 479     #    p(u'<nota>')
 480     a(u'<!-- Numer porządkowy: %s -->' % meta.get(u'Numer porządkowy', u''))
 481     #    p(u'</nota>')
 482
 483     p(unicode(info.title))
 484     for elm in content:
 485         if isinstance(elm, unicode) or isinstance(elm, str):
 486             a(elm)
 487             continue
 488         p(unicode(elm))
 489
 490     p(u'</powiesc>')
 491     p(u'</utwor>')
 492
 493     if pretty_print:
 494         from lxml import etree
 495         from StringIO import StringIO
 496         xml = etree.parse(StringIO(holder['xml']))
 497         holder['xml'] = etree.tostring(xml, pretty_print=pretty_print, encoding=unicode)
 498
 499     return holder['xml']
 500
 501
 502 # TODO / TBD
 503 # ogarnąć podrozdziały
 504 #  Przebieg zajęć
 505 #  opcje dodatkowe
 506 # usunąć 'opis zawartości'
 507 # akapit łączony?