def __init__(self):
self._context = ParseContext()
self._detector = DefaultDetector()
self._parser = AutoDetectParser(self._detector)
self._context.set(Parser, self._parser)
self._outputstream = ByteArrayOutputStream()
self._metadata = Metadata()
class TextExtractorFromOdtDocPdf(object):
"""
Извлекает и очищает текст из файла формата *.pdf, *.doc, *.docx, *.odt
TODO(zaqwes): Сделать фильтры
- в предложении только пробелы или только цифры
"""
_outputstream = None
_context = None
_detector = None
_parser = None
_metadata = None
_extractedText = None
def __init__(self):
self._context = ParseContext()
self._detector = DefaultDetector()
self._parser = AutoDetectParser(self._detector)
self._context.set(Parser, self._parser)
self._outputstream = ByteArrayOutputStream()
self._metadata = Metadata()
_enabled_extentons = ['doc', 'docx', 'pdf', 'odt']
def process(self, input_fname, path_to_node):
def get_fname_for_save(fname):
fname = fname.replace('\\','/')
only_fname = fname.split('/')[-1]
output_fname = path_to_node+'/'+only_fname+'.ptxt'
return output_fname
def get_fname_for_save_meta(fname):
fname = fname.replace('\\','/')
only_fname = fname.split('/')[-1]
output_fname = path_to_node+'/'+only_fname+'.meta'
return output_fname
def file_is_enabled(fname):
extention = fname.split('.')[-1]
if extention in self._enabled_extentons:
return True
return False
def purge_line(one_line):
if not is_content_letter(one_line):
return None
result = one_line.replace('\t','')
return result
"""
Присутствует фильта входных файлов, что упрощает обработку папок с разнородными
файлами.
TODO(zaqwes): Используется детектор языков от Tika, хотя детектирует правильно,
но выдает, что недостаточно. Возможно можно заменить на другую библитеку
Postcond.:
Текстовой файл с полностью снятым форматированием. Язык не определен.
Trouble:
- Если программа содержит код
"""
print 'Processing file : ', input_fname
if not file_is_enabled(input_fname):
return None, (1, 'File must *.doc, *.docx, *.pdf, *.odt. File skipped.')
input_var = None
output_fname = get_fname_for_save(input_fname) # Файл временный, он же выходной
print output_fname
out_file = File(output_fname) # Врядли выкенет исключение
ofile_stream = FileOutputStream(out_file)
lang = None
try:
# TODO(zaqwes): не очень понятно, что здесь происходит
url = URL
file_obj = File(input_fname);
if file_obj.isFile():
url = file_obj.toURI().toURL();
else:
url = URL(input_fname);
# TODO(zaqwes): не очень понятно, что здесь происходит
# Начинаем обработку
metadata = {'url':input_fname}
result_utf8 = []#['metadata',''] # формат строгий!!
# На данный момент сохраняем в промежуточный файл на диске, но можно и ускорить
# например, через отображение на память
input_var = TikaInputStream.get(url, self._metadata);
handler = BodyContentHandler(ofile_stream)
self._parser.parse(input_var, handler, self._metadata, self._context);
if ofile_stream:
ofile_stream.close()
return 'TEST', (1, 'TEST')
# Преобразуем в unicode
java_in = BufferedReader(FileReader(output_fname))
writer = ProfilingWriter();
while True:
s = String()
s = java_in.readLine()
print s
if s == None:
break
# Строку нужно подчистить
one_line = unicode(str(s), 'utf-8')
one_line = purge_line(one_line)
if one_line:
result_utf8.append(one_line)
writer.append(one_line);
identifier = writer.getLanguage();
lang = identifier.getLanguage()
metadata['lang'] = lang
#print identifier.isReasonablyCertain() # Всегда False
#System.out.println(identifier.getLanguage());
meta_fname = get_fname_for_save_meta(input_fname)
# Сохраняем результат
dal.write_result_file(result_utf8, output_fname)
dal.write_result_file([json.dumps(metadata, sort_keys=True, indent=2)], meta_fname)
except IOException as e:
err_code = 1
err_msg = 'Error: io.'
e.printStackTrace()
return output_fname, err_code, err_msg
except TikaException as e:
# Отключит обработку? Нет не отключит, т.к. исключение поймано
e.printStackTrace()
except SAXException as e:
e.printStackTrace()
finally:
if input_var:
try:
input_var.close()
except IOException as e:
e.printStackTrace();
# Подводим итоги
return ((output_fname, lang), (0, ''))
# TODO(zaqwes): русский язык определить не может
def parse_with_lang_detection(self, filename):
"""url = URL # Отрывок не работает
file = File(filename);
if file.isFile():
url = file.toURI().toURL();
else:
url = URL(filename);
input = TikaInputStream.get(url, self._metadata);
handler = BodyContentHandler(self._outputstream);
profiler = ProfilingHandler(self._outputstream);
#tee = TeeContentHandler(handler, profiler);
#tee = TeeContentHandler(handler);
self._parser.parse(input, profiler, self._metadata, self._context);
identifier = profiler.getLanguage();
if identifier.isReasonablyCertain():
# metadata.set(Metadata.LANGUAGE,
print identifier.getLanguage()#);
"""
pass
# Детектирует неправильно
profile = LanguageProfile(
"несложно догадаться, реально угнетающих ");
identifier = LanguageIdentifier(profile);
System.out.println(identifier.getLanguage());
writer = ProfilingWriter();
writer.append("несложно догадаться, реально угнетающих ситуаций встречается ");
writer.append("несложно встречается ");
writer.append("несложно догадаться, ");
writer.append("несложно догадаться, реально угнетающих ситуаций встречается ");
identifier = writer.getLanguage();
System.out.println(identifier.getLanguage());
def print_string(self):
extractedText = self._outputstream.toString();
print extractedText