-
Notifications
You must be signed in to change notification settings - Fork 1
/
making_tei.py
162 lines (158 loc) · 7.97 KB
/
making_tei.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
#Структура кода
from xml.dom import minidom
import fitz #для чтения pdf
doc = fitz.Document("VOLUME_1.pdf")
page_count = doc.pageCount
##Шапка##
root = minidom.Document() #создаем корневой тег
tei = root.createElement("TEI") # тег, которому привязываем text
root.appendChild(tei)
teiheader = root.createElement("teiHeader")
tei.appendChild(teiheader)
filedesc = root.createElement("fileDesc")
teiheader.appendChild(filedesc)
titlestmt = root.createElement("titleStmt")
filedesc.appendChild(titlestmt)
title1 = root.createElement("title")
titlestmt.appendChild(title1)
title1.appendChild(root.createTextNode(doc.loadPage(2).getText("text").replace("\n", " "))) #ОТЕЧЕСТВЕННЫЕ ЗАПИСКИ и ТОМЪ номер тома - название журнала
text = root.createElement(
"text") # тег, которому привязываем теги fronts и body
tei.appendChild(text)
front = root.createElement(
"front") # тег, к которому привязываем теги с информацией о журнале
text.appendChild(front)
body = root.createElement(
"body") # тег, к которому привязываем теги с названиями разделов и журнальным номером страниц head и тег параграфов текста p.
text.appendChild(body)
i = 2 #первый номер непустой страницы (с текстом)
##Цикл для разметки страниц
while i < page_count:
pge = doc.loadPage(i) #загружаем страницу
#if i == 2:
# тег для основного номера страницы
page = root.createElement("pb")
front.appendChild(page)
page.appendChild(root.createTextNode(str(i)))
# тег для названия журнала
mt = root.createElement("main_title")
front.appendChild(mt)
mt.appendChild(root.createTextNode(pge.getText("text").replace("\n", " ")))
# номер тома
number_of_volume = root.createElement("number_of_volume")
front.appendChild(number_of_volume)
number_of_volume.appendChild(
root.createTextNode(pge.getText("text").split('\n')[40]))
#if i == 3:
page = root.createElement("pb")
front.appendChild(page)
page.appendChild(root.createTextNode(str(i)))
# тип журнала
type = root.createElement("type") #учено-литературный журнал
front.appendChild(front)
type.appendChild(
root.createTextNode(pge.getText("text").split('\n')[0] + ' ' + pge.getText("text").split('\n')[1]))
# эпиграф
epigraph = root.createElement("epigraph")
front.appendChild(epigraph)
epigraph.appendChild(root.createTextNode(
pge.getText("text").split('\n')[2] + ' ' + pge.getText("text").split('\n')[3] + ' ' +
pge.getText("text").split('\n')[4] + ' ' + pge.getText("text").split('\n')[5] + ' ' +
pge.getText("text").split('\n')[6] + ' ' + pge.getText("text").split('\n')[7]))
# мета-информация
meta= root.createElement("meta_information") #пример: № 7 С. ПЕТЕРБУРГ. ВЪ ТИПОГРАфІИ А. БОРОДИНА И КОМП. 1842.
front.appendChild(meta)
meta.appendChild(
root.createTextNode(pge.getText("text").split('\n')[8] + ' ' + pge.getText("text").split('\n')[9]))
#if i == 4:
page = root.createElement("pb")
front.appendChild(page)
page.appendChild(root.createTextNode(str(i)))
#оглавление
contents = root.createElement("contents")
front.appendChild(contents)
contents.appendChild(
root.createTextNode(pge.getText("text").replace('\n', ' ').replace('- ', '')))
# примечание редактора
edit_notes = root.createElement("edit_notes_title")
front.appendChild(edit_notes)
edit_notes.appendChild(
root.createTextNode(pge.getText("text").split('\n')[2] + pge.getText("text").split('\n')[4] +
pge.getText("text").split('\n')[5]))
# примечание редактора: сам текст
edit = root.createElement("edit_notes")
front.appendChild(edit)
edit.appendChild(
root.createTextNode(pge.getText("text").replace('\n', ' ').replace('- ', '')))
# год, если есть: ГОДЪ ЧЕТВЕРТЫЙ
year = root.createElement("year")
front.appendChild(year)
year.appendChild(root.createTextNode(pge.getText("text").split('\n')[1]))
#if i == 5:
page = root.createElement("pb")
front.appendChild(page)
page.appendChild(root.createTextNode(str(i)))
# цензоры
censors = root.createElement("censorship_approval") # Печатать позволяется
front.appendChild(censors)
censors.appendChild(root.createTextNode(pge.getText("text").replace('\n', ' ')))
#if i == 6:
page = root.createElement("pb")
body.appendChild(page)
page.appendChild(root.createTextNode(str(i)))
# заголовки и журнальный номер страницы.
head = root.createElement("head")
body.appendChild(head)
head.appendChild(root.createTextNode(
pge.getText("text").split('\n')[0] + ' ' + pge.getText("text").split('\n')[1] + ' ' +
pge.getText("text").split('\n')[2] + ' ' + pge.getText("text").split('\n')[3] + ' '))
# текст
p = root.createElement("p")
body.appendChild(p)
p.appendChild(root.createTextNode(pge.getText("text").replace('\n', ' ')))
if 7 <= i <= 1058: # учет содержания
#head = root.createElement("head")
#body.appendChild(head)
#head.appendChild(root.createTextNode(
# pge.getText("text").split('\n')[0] + ' ' + pge.getText("text").split('\n')[1]))
# update version to get titles and journal pages
head = root.createElement("head")
body.appendChild(head)
head_text = pge.getText("text").splitlines()
head_t = list(filter(lambda x: x != ' ', head_text))
head.appendChild(
root.createTextNode(str(head_t[0])))
#####
p = root.createElement("p")
body.appendChild(p)
p.appendChild(root.createTextNode(pge.getText("text").replace('\n', ' ').replace('- ', '').replace(str(head_t[0]), '')))
if i > 1058:
p = root.createElement("p")
body.appendChild(p)
p.appendChild(root.createTextNode(pge.getText("text").replace('\n', ' ').replace('- ', '')))
i += 1
xml_str = root.toprettyxml('\t') #тело готового xml
save_path = ("corrected.xml")
#with open(save_path, "w", encoding="utf-8") as f: сохраняем в документ
# f.write(xml_str)
#КОД, ЕСЛИ В ТОМЕ ЕСТЬ INDEXERROR ИЗ-ЗА ПУСТЫХ СТРАНИЦ (ПРОЩЕ ИХ УДАЛИТЬ)
#ТЕЛО ЦИКЛА
if 6 <= i < 1046:
try:# учет содержания
head = root.createElement("head")
body.appendChild(head)
head.appendChild(root.createTextNode(pge.getText("text").split('\n')[0] + pge.getText("text").split('\n')[1]))
p = root.createElement("p")
body.appendChild(p)
p.appendChild(root.createTextNode(pge.getText("text").replace('\n', ' ')))
except IndexError as er:
print('defected_page') #ГДЕ СМЕЩЕНЫ СТРАНИЦЫ, ПРОСТО БУДЕТ ТЕГ PB С НОМЕРОМ СТРАНИЦЫ
if i >= 1046:
p = root.createElement("p")
body.appendChild(p)
p.appendChild(root.createTextNode(pge.getText("text").replace('\n', ' ')))
i += 1
xml_str = root.toprettyxml('\t')
save_path = ("volume_2.xml")
with open(save_path, "w", encoding="utf-8") as f:
f.write(xml_str)