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 Kodowanie znaków w dokumencie: UTF-8.
  11 -----
  12 Publikacja zrealizowana w ramach projektu Wolne Lektury (http://wolnelektury.pl/). Reprodukcja cyfrowa wykonana przez
  13 Bibliotekę Narodową z egzemplarza pochodzącego ze zbiorów BN. Ten utwór nie jest chroniony prawem autorskim i znajduje
  14 się w domenie publicznej, co oznacza, że możesz go swobodnie wykorzystywać, publikować i rozpowszechniać.
  15 -----
  16
  17 """
  18
  19
  20 REGEXES = [
  21     (r'<rdf:RDF[^>]*>(.|\n)*?</rdf:RDF>', ''),
  22     (r'<motyw[^>]*>(.|\n)*?</motyw>', ''),
  23     ('<(begin|end)\\sid=[\'|"][b|e]\\d+[\'|"]\\s/>', ''),
  24     (r'<extra>((<!--<(elementy_poczatkowe|tekst_glowny)>-->)|(<!--</(elementy_poczatkowe|tekst_glowny)>-->))</extra>', ''),
  25     (r'<uwaga>(.|\n)*?</uwaga>', ''),
  26     (r'<p[a|e|r|t]>(.|\n)*?</p[a|e|r|t]>', ''),
  27     (r'<[^>]+>', ''),
  28     (r'/\n', '\n'),
  29     (r'---', u'—'),
  30     (r'--', u'-'),
  31     (r',,', u'„'),
  32     (r'"', u'”'),
  33 ]
  34
  35
  36 if __name__ == '__main__':
  37     # Parse commandline arguments
  38     usage = """Usage: %prog [options] SOURCE [SOURCE...]
  39     Convert SOURCE files to TXT format."""
  40
  41     parser = optparse.OptionParser(usage=usage)
  42
  43     parser.add_option('-v', '--verbose', action='store_true', dest='verbose', default=False,
  44         help='print status messages to stdout')
  45
  46     options, input_filenames = parser.parse_args()
  47
  48     if len(input_filenames) < 1:
  49         parser.print_help()
  50         exit(1)
  51
  52     # Do some real work
  53     for input_filename in input_filenames:
  54         if options.verbose:
  55             print input_filename
  56
  57         output_filename = os.path.splitext(input_filename)[0] + '.txt'
  58
  59         xml = codecs.open(input_filename, 'r', encoding='utf-8').read()
  60         for pattern, repl in REGEXES:
  61             # print pattern, repl
  62             xml, n = re.subn(pattern, repl, xml)
  63             # print n
  64
  65         output = codecs.open(output_filename, 'w', encoding='utf-8')
  66         output.write(HEADER)
  67         output.write(xml)
  68