-
Notifications
You must be signed in to change notification settings - Fork 0
/
kamis_to_tei.py
185 lines (151 loc) · 7.72 KB
/
kamis_to_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
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
import re
import pandas as pd
from cgi import escape
from lxml import etree
from tqdm import tqdm
def assemble_title_stmt(row_dict):
"""Добавляет раздел с данными об авторе фотографии и её текущем владельце.
:param row_dict: (dict) описание фотографии
:return: titleStmt: (str) описание в TEI
"""
if row_dict["AUTHOR"] != "-1":
author = "<author>{}</author>".format(escape(row_dict["AUTHOR"]))
else:
author = ""
funder = "<funder>Государственный музей Л.Н. Толстого</funder>"
titleStmt = "<titleStmt>{}{}</titleStmt>".format(author, funder)
return titleStmt
def assemble_publication_stmt(row_dict):
"""Добавляет раздел с данными об ИД фотографии, коллекциях, рубриках и том,
как она попала в музей.
:param row_dict: (dict) описание фотографии
:return: publicationStmt: (str) описание в TEI
"""
acquisition = "<acquisition>{}</acquisition>".format(row_dict["IWAY"]) \
if row_dict["IWAY"] != "-1" else ""
nfond = "<collection type=\"nfond\">{}</collection>".format(row_dict["NFOND"]) \
if row_dict["NFOND"] != "-1" else ""
spiex = "<collection type=\"spiex\">{}</collection>".format(row_dict["SPIEX"]) \
if row_dict["SPIEX"] != "-1" else ""
identif = "<idno type=\"identif\">{}</idno>".format(row_dict["IDENTIF"]) \
if row_dict["IDENTIF"] != "-1" else ""
inv = "<idno type=\"inv\">{}</idno>".format(row_dict["INV"]) \
if row_dict["INV"] != "-1" else ""
category = "<category>{}</category>".format(row_dict["SPIRUBR"]) \
if row_dict["SPIRUBR"] != "-1" else ""
publisher = "<publisher>{}</publisher>".format(row_dict["VLAD"]) \
if row_dict["VLAD"] != "-1" else ""
publicationStmt = "<publicationStmt>{}{}{}{}{}{}{}</publicationStmt>".format(acquisition,
nfond, spiex, identif, inv, category, publisher)
return publicationStmt
def extract_creat(row_dict):
"""Извлекает информацию о дате создания.
CREAT = известна точная дата
CREAT1 = известна дата "не ранее"
CREAT2 = известна дата "не позднее"
:param row_dict: (dict) описание фотографии
:return: dateCreat: (str) TEI-элемент
"""
if row_dict["CREAT"] == "-1":
dateCreat = ""
if row_dict["CREAT1"] != "-1":
dateCreat += "<date type=\"created notBefore\">{}</date>".format(escape(str(row_dict["CREAT1"])))
if row_dict["CREAT2"] != "-1":
dateCreat += "<date type=\"created notAfter\">{}</date>".format(escape(str(row_dict["CREAT2"])))
else:
dateCreat = "<date type=\"created\">{}</date>".format(escape(row_dict["CREAT"]))
return dateCreat
def extract_sizes(sizes_str, reg_sizes):
"""Извлекает информацию о физических размерах снимка с помощью регулярного выражения.
:param sizes_str: (str) запись музейных хранителей
:param reg_sizes: (regex) регулярное выражение для обработки записей
:return: width: (str) строка-ширина
:return: height: (str) строка-высота
"""
extraction = re.search(reg_sizes, sizes_str)
width = extraction.group(1)
height = extraction.group(2)
return width, height
def assemble_source_desc(row_dict, reg_sizes):
"""Добавляет раздел с физическим описанием фотографии.
:param row_dict: (dict) описание фотографии
:param reg_sizes: (regex) регулярное выражение для обработки записей
музейных хранителей о размерах фотографии
:return: sourceDesc: (str) описание в TEI
"""
origPlace = "<origPlace>{}</origPlace>".format(row_dict["GEOGR"]) \
if row_dict["GEOGR"] != "-1" else ""
dateCreat = extract_creat(row_dict)
distributor = "<distributor>{}</distributor>".format(escape(row_dict["IZGOT"])) \
if row_dict["IZGOT"] != "-1" else ""
source = "<source>{}</source>".format(row_dict["NCOMP"]) \
if row_dict["NCOMP"] != "-1" else ""
if row_dict["SIZES"] != "-1":
try:
width, height = extract_sizes(row_dict["SIZES"], reg_sizes)
dimensions = "<dimensions><width>{} см</width><height>{} см</height></dimensions>".format(width, height)
except:
dimensions = ""
else:
dimensions = ""
desc = "<desc>{}</desc>".format(escape(str(row_dict["COMPNAM"]))) \
if row_dict["COMPNAM"] != "-1" else ""
metamark = "<metamark>{}</metamark>".format(row_dict["INSCR"]) \
if row_dict["INSCR"] != "-1" else ""
sourceDesc = "<sourceDesc>{}{}{}{}{}{}{}</sourceDesc>".format(origPlace,
dateCreat, distributor, source, dimensions, desc, metamark)
return sourceDesc
def assemble_revision_desc(row_dict):
"""Добавляет раздел изменений.
:param row_dict: (dict) описание фотографии
:return: revisionDesc: (str) описание в TEI
"""
revisionDesc = "<revisionDesc><change when=\"2020-04-15\">конвертация в TEI из КАМИС</change></revisionDesc>"
return revisionDesc
def load_data():
"""Загружает таблицу с метаданными.
:return: df: (pd.DataFrame) - метаданные
"""
df = pd.read_csv("./data/metadata_kamisHeader.tsv", sep="\t", encoding="utf-8")
df["id"] = df["id"].astype("str").apply(lambda x: "0" * (8 - len(x)) + x)
return df
def build_tei(row_dict, reg_sizes):
"""Собирает TEI-описание.
:param row_dict: (dict) словарь-описание фотографии
:param reg_sizes: (regex) регулярка для работы с размерами фотографии
:return: overallTEI: (str) описание одной строкой
"""
title = assemble_title_stmt(row_dict)
source = assemble_source_desc(row_dict, reg_sizes)
publication = assemble_publication_stmt(row_dict)
fileDesc = "<fileDesc>{}{}{}</fileDesc>".format(title, publication, source)
revisionDesc = assemble_revision_desc(row_dict)
overallTEI = "<TEI xmlns=\"http://www.tei-c.org/ns/1.0\" xml:lang=\"rus\"><teiHeader>{}{}</teiHeader></TEI>".format(
fileDesc, revisionDesc)
return overallTEI
def save_TEI(tei_desc, photo_id):
"""Сохраняет результат. Если при проверке на валидность произошла ошибка,
вместо записи в файл выводит в stdout.
:param tei_desc: (str) описание
:param photo_id: (str) ИД фотографии для названия файла
:return: None
"""
try:
root = etree.fromstring(tei_desc)
tree = root.getroottree()
tree.write("./data/tei/{}.xml".format(photo_id), xml_declaration=True,
pretty_print=True, encoding="utf-8")
except:
print(photo_id)
print(tei_desc)
print("===")
def main():
reg_sizes = re.compile("([0-9]{1,2}(?:[,\.][0-9])?) ?х ?([0-9]{1,2}(?:[,\.][0-9])?)")
df = load_data()
for row in tqdm(range(len(df))):
row_dict = df.iloc[row].to_dict()
photo_id = row_dict["id"]
overall_TEI = build_tei(row_dict, reg_sizes)
save_TEI(overall_TEI, photo_id)
if __name__ == "__main__":
main()