lib/librarian/bin/book2txt.py

   1 #!/usr/bin/env python
   2 # -*- coding: utf-8 -*-
   3 import re
   4 import os
   5 import optparse
   6 import codecs
   7
   8
   9 HEADER = u"""
  10 -----
  11 Publikacja zrealizowana w ramach projektu Wolne Lektury (http://wolnelektury.pl/). Reprodukcja cyfrowa wykonana przez Bibliotekę Narodową z egzemplarza pochodzącego ze zbiorów BN.
  12 Ten utwór nie jest chroniony prawem autorskim i znajduje się w domenie publicznej, co oznacza, że możesz go swobodnie wykorzystywać, publikować i rozpowszechniać.
  13 Źródło:
  14 -----
  15
  16 """
  17
  18
  19 REGEXES = [
  20     (r'<rdf:RDF[^>]*>(.|\n)*?</rdf:RDF>', ''),
  21     (r'<motyw[^>]*>(.|\n)*?</motyw>', ''),
  22     ('<(begin|end)\\sid=[\'|"][b|e]\\d+[\'|"]\\s/>', ''),
  23     (r'<extra>((<!--<(elementy_poczatkowe|tekst_glowny)>-->)|(<!--</(elementy_poczatkowe|tekst_glowny)>-->))</extra>', ''),
  24     (r'<uwaga>(.|\n)*?</uwaga>', ''),
  25     (r'<p[a|e|r|t]>(.|\n)*?</p[a|e|r|t]>', ''),
  26     (r'<[^>]+>', ''),
  27     (r'/\n', '\n'),
  28     (r'---', u'—'),
  29     (r'--', u'-'),
  30     (r',,', u'„'),
  31     (r'"', u'”'),
  32 ]
  33
  34
  35 if __name__ == '__main__':
  36     # Parse commandline arguments
  37     usage = """Usage: %prog [options] SOURCE [SOURCE...]
  38     Convert SOURCE files to TXT format."""
  39
  40     parser = optparse.OptionParser(usage=usage)
  41
  42     parser.add_option('-v', '--verbose', action='store_true', dest='verbose', default=False,
  43         help='print status messages to stdout')
  44
  45     options, input_filenames = parser.parse_args()
  46
  47     if len(input_filenames) < 1:
  48         parser.print_help()
  49         exit(1)
  50
  51     # Do some real work
  52     for input_filename in input_filenames:
  53         if options.verbose:
  54             print input_filename
  55
  56         output_filename = os.path.splitext(input_filename)[0] + '.txt'
  57
  58         xml = codecs.open(input_filename, 'r', encoding='utf-8').read()
  59         for pattern, repl in REGEXES:
  60             # print pattern, repl
  61             xml, n = re.subn(pattern, repl, xml)
  62             # print n
  63
  64         output = codecs.open(output_filename, 'w', encoding='utf-8')
  65         output.write(HEADER)
  66         output.write(xml)
  67