def main ( file ):
"""Fonction principale du programme"""
# taille des n-grammes de caractères contigus
NG_CHAR = 3
t = time.time()
# Lecture du fichier, détection de son encoding et encodage en unicode
raw_data = html.read( string.join(file, '') )
encoding, u_data = html.encoding( raw_data )
# Si l'encoding n'est pas trouvé, on écourte le traitement de la page
if encoding == None:
return None
# Extraction des différentes parties du fichier html + nétoyage des balises
u_header, u_title, u_body, u_footer = html.extract_parts( u_data )
u_body, u_body_clean, u_balises = html.clean( tools.decode_html_entities(u_body) )
# Liste les mots et caractères et fait leurs effectifs
u_list_words = tools.list_words( u_body_clean )
u_dict_effect = tools.list_2_dict_effectif( u_list_words )
u_list_chars = tools.list_chars( u_dict_effect )
u_char_effect = tools.char_effect( u_dict_effect )
# Calcul la loi de Zipf sur les mots et les caractères
u_zipf = tools.dict_effectif2distrib_zipf( u_dict_effect )
u_zipf_char = tools.dict_effectif2distrib_zipf( u_char_effect )
# Trouve les groupes de mots et caractères contigus du texte
u_adjoining_words = adjoining_words( u_list_words, 2 )
u_adjoining_char = adjoining_words( u_list_chars, NG_CHAR, NG_CHAR )
# Trouve des mot clefs du texte et fait des statistiques sur le nombre de mots
u_tags = tag_cloud( u_zipf ) if u_zipf else []
nbword = tools.word_stat( u_dict_effect ) if u_zipf else [0, 0, 0]
# Sauvegarde les n-grammes de caractères dans un fichier texte
if NG_CHAR in u_adjoining_char:
with open(file[0] + file[1] + "_adjchars.txt", "w") as f:
for char in u_adjoining_char[NG_CHAR]:
f.write( "%s : %s \n"%( string.join(char[0], '').encode("utf-8"), str(char[1]) ) )
# Sauvegarde les graphs sur la loi de zipf, sur le rang x effectif et sur longueur / effectif
plot.save_zipf( file, "_word", u_zipf, "f(rang) = effectif" )
plot.save_zipf( file, "_char", u_zipf_char, "f(rang) = effectif" )
plot.save_rangeffectif( file, u_zipf )
plot.save_leneffectif( file, u_zipf )
# Sauvegarde le fichier colorié
html.write( file[0] + file[1] + "_color.html",
u_header,
color(u_adjoining_words, u_body, u_balises),
u_footer,
encoding )
# Sauvegarde le fichier de statistique
output.stat( file, u_title, u_tags, nbword, u_zipf, u_zipf_char, t )
return u_dict_effect
u_effect_lang = tools.add_defdict( u_effect_lang, ret ) if navig: output.nav_lang( dirname+"/", lang, files[lang] ) # traitement des données sur le corpus mono-langue u_char_effect = tools.char_effect( u_effect_lang ) u_zipf = tools.dict_effectif2distrib_zipf( u_effect_lang ) u_zipf_char = tools.dict_effectif2distrib_zipf( u_char_effect ) nbword = tools.word_stat( u_effect_lang ) if u_zipf else [0, 0, 0] plot.save_zipf( path, "_word", u_zipf, "f(rang) = effectif" ) plot.save_zipf( path, "_char", u_zipf_char, "f(rang) = effectif" ) plot.save_rangeffectif( path, u_zipf ) plot.save_leneffectif( path, u_zipf ) output.stat( path, "Statistique de la langue: " + lang, [], nbword, u_zipf, u_zipf_char, t2 ) if navig: output.nav_princ( dirname+"/", langs ) shutil.copy( "jquery-1.6.4.min.js", dirname ) print "" print "Traitement fini en: %ss"%( str(time.time() - t)[0:5] ) elif len(sys.argv) == 2: if os.path.isfile(sys.argv[1]): # Passage en argument d'un fichier seul file = os.path.splitext(sys.argv[1]) f = list(os.path.split(file[0])) if f[0] != "": f[0] = f[0] + '/' print "Traitement en cours: " + sys.argv[1]
