fix
[wolnelektury.git] / src / search / index.py
1 # This file is part of Wolne Lektury, licensed under GNU Affero GPLv3 or later.
2 # Copyright © Fundacja Wolne Lektury. See NOTICE for more information.
3 #
4 import re
5 from librarian.parser import WLDocument
6 from lxml import etree
7
8
9 class Index:
10     """
11     Class indexing books.
12     """
13     master_tags = [
14         'opowiadanie',
15         'powiesc',
16         'dramat_wierszowany_l',
17         'dramat_wierszowany_lp',
18         'dramat_wspolczesny', 'liryka_l', 'liryka_lp',
19         'wywiad',
20     ]
21
22     ignore_content_tags = [
23         'uwaga', 'extra', 'nota_red', 'abstrakt',
24         'zastepnik_tekstu', 'sekcja_asterysk', 'separator_linia', 'zastepnik_wersu',
25         'didaskalia',
26         'naglowek_aktu', 'naglowek_sceny', 'naglowek_czesc', 'motyw'
27     ]
28
29     footnote_tags = ['pa', 'pt', 'pr', 'pe']
30
31     skip_header_tags = ['autor_utworu', 'nazwa_utworu', 'dzielo_nadrzedne',
32                         '{http://www.w3.org/1999/02/22-rdf-syntax-ns#}RDF']
33
34     @classmethod
35     def get_master(cls, root):
36         """
37         Returns the first master tag from an etree.
38         """
39         for master in root.iter():
40             if master.tag in cls.master_tags:
41                 return master
42
43     @staticmethod
44     def add_snippet(book, text, position):
45         book.snippet_set.create(
46             sec=position + 1,
47             text=text
48         )
49
50     @classmethod
51     def index_book(cls, book):
52         """
53         Walks the book XML and extract content from it.
54         Adds parts for each header tag and for each fragment.
55         """
56         if not book.xml_file: return
57
58         book.snippet_set.all().delete()
59
60         wld = WLDocument.from_file(book.xml_file.path, parse_dublincore=False)
61         root = wld.edoc.getroot()
62
63         master = cls.get_master(root)
64         if master is None:
65             return []
66
67         def walker(node):
68             if node.tag not in cls.ignore_content_tags:
69                 yield node, None, None
70                 if node.text is not None:
71                     yield None, node.text, None
72                 for child in list(node):
73                     for b, t, e in walker(child):
74                         yield b, t, e
75                 yield None, None, node
76
77             if node.tail is not None:
78                 yield None, node.tail, None
79             return
80
81         def fix_format(text):
82             if isinstance(text, list):
83                 text = filter(lambda s: s is not None, content)
84                 text = ' '.join(text)
85
86             return re.sub("(?m)/$", "", text)
87
88         for position, header in enumerate(master):
89             if header.tag in cls.skip_header_tags:
90                 continue
91             if header.tag is etree.Comment:
92                 continue
93
94             # section content
95             content = []
96             footnote = []
97
98             def all_content(text):
99                 content.append(text)
100             handle_text = [all_content]
101
102             for start, text, end in walker(header):
103                 # handle footnotes
104                 if start is not None and start.tag in cls.footnote_tags:
105                     footnote = []
106
107                     def collect_footnote(t):
108                         footnote.append(t)
109
110                     handle_text.append(collect_footnote)
111                 elif end is not None and footnote is not [] and end.tag in cls.footnote_tags:
112                     handle_text.pop()
113                     cls.add_snippet(book, ''.join(footnote), position)
114                     footnote = []
115
116                 if text is not None and handle_text is not []:
117                     hdl = handle_text[-1]
118                     hdl(text)
119
120             # in the end, add a section text.
121             cls.add_snippet(book, fix_format(content), position)