-
Notifications
You must be signed in to change notification settings - Fork 2
/
Copy pathfunctions.py
717 lines (520 loc) · 25.6 KB
/
functions.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
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
# imports
import sys
import sys
import os
import os.path
import csv
from xml.etree import ElementTree as ET
import xml.sax.saxutils as saxutils
import re
# open file
def file_open(textfile):
try:
fp = open(textfile, 'r', encoding='utf8')
except:
print("File not found")
else:
text = fp.read()
return generate_url(text)
# Umwandlung der Seitenzahlen zu Tags mit URLs der UB Mainz
def generate_url(text):
# Index der URLs
index_dic = read_csv("extract_city_page_url/city_index.csv")
# Formatieren der Seiten und URL im Fließtext für Sonderseiten
special_pages = ["- T -", "- T3 -", "- PREFACE -", "- ii -",
"- 32a -", "- 33a -", "- 33b -", "- 33c -",
"- 33d -", "- 37a -", "- 666a -", "- 693a -"]
for specials in special_pages:
for key in index_dic:
page = "- "+key+ " -"
if page == specials:
clean_special = specials.replace("-","").replace(" ","")
xmlpage = ' <pb n="'+clean_special+'" url="'+index_dic[key][2]+'"/> '
text = text.replace(page, xmlpage)
# Formatieren der Seiten und URL im Fließtext
for x in range(1, 1000):
for key in index_dic:
page = "- "+str(x)+ " -"
if key == str(x):
xmlpage = ' <pb n="'+str(x)+'" url="'+index_dic[key][2]+'"/> '
text = text.replace(page, xmlpage)
return text
def find_cities_detailed(text, volume):
# Volume spezifische Informationen, x = Erster Stadteintrag, Regex = Erkennungsmuster für Städte
if volume == 1:
x = 67
regex = r'^[A-K][A-ZÄÖÜ_\s-]{3,}'
else:
x = 26
regex = r'^[L-Z][A-ZÄÖÜ_\s-]{3,}'
# Liste der Städtenamen
city_names = []
# Check Variable für korrekte Ergebnisse
is_valid = False
# Aufsplitten des Textes in Zeilen
text_split = text.splitlines()
# Hilfsvariablen
i = 1
# Die Zeile nach der aktuellen Zeile
next_line = None
# Durchlaufen des Textes
for index, line in enumerate(text_split):
# Überspringen der Titel- und Innenseite
if i > x:
# Zwischenspeichern der nächsten Zeile
if index < (len(text_split) - 1):
next_line = text_split[index + 1]
# Zwischenspeichern des Stadtnamens
city_name_temp = re.findall(regex, line)
# Check ob Koordinaten vorhanden sind
if "miles:" in next_line and bool(re.search(r'[°]', next_line)):
is_valid = True
# Speichern des Städtenamens wenn Koordinaten gefunden wurden
if city_name_temp and city_name_temp not in city_names and is_valid == True:
city_names.append(city_name_temp)
# Zurücksetzen der Check-Variable
is_valid = False
else:
i += 1
# Säubern der Ergebnisse
city_names_clean_detailed = []
for city in city_names:
# Herausnehmen von Leerzeichen
clean_city = str(city[0]).replace(' ', '')
# Nur Begriffe die jetzt immernoch aus min. 3 Zeichen bestehen werden gespeichert
if clean_city not in city_names_clean_detailed and len(clean_city) > 2:
city_names_clean_detailed.append(clean_city)
return city_names_clean_detailed
# Funktion die Namen der Bundesländer speichert
def find_city_state(text, city_names, volume):
# Volume spezifische Informationen, x = Erster Stadteintrag
if volume == 1:
x = 67
else:
x = 26
# Liste der Bundesländer
state_list = []
# Aufsplitten des Textes in Zeilen
text_split = text.splitlines()
# Hilfsvariablen
i = 1
# Durchlaufen des Textes
for index, line in enumerate(text_split):
# Überspringen der Titel- und Innenseite
if i > x:
# Durchlaufen der Städteliste
for city in city_names:
# Überprüfen ob das erste Element der Zeile komplett mit dem Stadtnamen übereinstimmt
if city == line.split(" ")[0]:
# Check ob in der nächsten Zeile Koordinaten vorkommen
# Zeile muss kürzer als 50 Zeichen sein, um Fließtext auszuschließen
if "miles:" in text_split[index + 1] and len(text_split[index + 1]) < 50:
# Erneute Überprüfung ob die nächste Zeile Koordinaten enthält
if bool(re.search(r'[°]', text_split[index + 1])):
# Ausplitten der gefundenen Zeile an der öffnenen Klammer
split = line.split("(")
# Abfangen von Städten die kein Bundesland angegeben haben
try:
# Wenn es ein Bundesland gibt
state = split[1]
# wird es ohne die schließende Klammer an die Ergebnisliste angefügt
state_list.append(state.strip(')'))
# gibt es kein Bundesland
except IndexError:
# wird der Stadtname als Bundesland eingetragen
state_list.append(split[0])
else:
i += 1
return state_list
# Funktion die Geokoordinaten speichert
def find_city_coordinates(text, city_names, volume):
# Volume spezifische Informationen, x = Erster Stadteintrag
if volume == 1:
x = 67
else:
x = 26
# Liste der Koordinaten
coordinates_list = []
# Aufsplitten des Textes in Zeilen
text_split = text.splitlines()
# Hilfsvariablen
i = 1
# Durchlaufen des Textes
for index, line in enumerate(text_split):
# Überspringen der Titel- und Innenseite
if i > x:
# Durchlaufen der Städteliste
for city in city_names:
# Überprüfen ob das erste Element der Zeile komplett mit dem Stadtnamen übereinstimmt
if city == line.split(" ")[0]:
# Check ob in der nächsten Zeile Koordinaten vorkommen
# Zeile muss kürzer als 50 Zeichen sein, um Fließtext auszuschließen
if "miles:" in text_split[index + 1] and len(text_split[index + 1]) < 50:
# Erneute Überprüfung ob die nächste Zeile Koordinaten enthält
if bool(re.search(r'[°]', text_split[index + 1])):
# Auswahl der Koordinatenzeile
next_line = (text_split[index + 1])
# Aufteilen der Zeile in 3 Elemente anhand der Doppelpunkte und Auswahl des ersten Objekts
temp = next_line.split(":")[0]
# Umformen in neues Koordinatenformat
temp = temp.replace("°", ".")
temp = temp.replace("'", "")
temp = temp.replace("E", "")
temp = temp.replace(".E", "")
temp = temp.replace("N.", ",")
temp = temp.replace(".N", ",")
temp = temp.replace(" ", "")
final = temp.replace("' E", "")
# Speichern der Koordinaten
coordinates_list.append(final)
else:
i += 1
return coordinates_list
# Funktion um die Entfernung zu London zu speichern
def find_city_distances(text, city_names, volume):
# Volume spezifische Informationen, x = Erster Stadteintrag
if volume == 1:
x = 67
else:
x = 26
# Liste der Entfernungen zu London
distances_list = []
# Aufsplitten des Textes in Zeilen
text_split = text.splitlines()
# Hilfsvariablen
i = 1
# Durchlaufen des Textes
for index, line in enumerate(text_split):
# Überspringen der Titel- und Innenseite
if i > x:
# Durchlaufen der Städteliste
for city in city_names:
# Überprüfen ob das erste Element der Zeile komplett mit dem Stadtnamen übereinstimmt
if city == line.split(" ")[0]:
# Check ob in der nächsten Zeile Koordinaten vorkommen
# Zeile muss kürzer als 50 Zeichen sein, um Fließtext auszuschließen
if "miles:" in text_split[index + 1] and len(text_split[index + 1]) < 50:
# Erneute Überprüfung ob die nächste Zeile Koordinaten enthält
if bool(re.search(r'[°]', text_split[index + 1])):
# Auswahl der Koordinatenzeile
next_line = (text_split[index + 1])
# Aufteilen der Zeile in 3 Elemente anhand der Doppelpunkte und Auswahl des zweiten Objekts
distance = next_line.split(":")[1]
# Anhängen der Entfernung an die Ergebnisliste
distances_list.append(distance)
else:
i += 1
return distances_list
# Funktion für Preface extraktion
def get_preface(text, volume):
pre_text = ""
# Volume spezifische Informationen, x = Erster Stadteintrag, alles davor als Preface verwenden
if volume == 1:
x = 69
else:
x = 26
text_split = text.splitlines()
# Hilfsvariablen
i = 1
# Durchlaufen des Textes
for index, line in enumerate(text_split):
# Titel- und Innenseite
if i <= x:
pre_text += line + " "
i += 1
# Doppelte Leerzeichen löschen
pre_text = re.sub(' +', ' ', pre_text)
return pre_text
# Funktion zur Index-Extraktion
def get_index(text, volume):
ind_text = ""
# Volume spezifische Informationen, x = Erster Index Eintrag
if volume == 2:
x = 19113
text_split = text.splitlines()
# Hilfsvariablen
i = 1
# Durchlaufen des Textes
for index, line in enumerate(text_split):
# Titel- und Innenseite
if i >= x:
ind_text += line + " "
i += 1
# Doppelte Leerzeichen löschen
ind_text = re.sub(' +', ' ', ind_text)
return ind_text
# Funktion um die Einwohnerzahl zu speichern
def find_city_population(text, city_names, volume):
# Volume spezifische Informationen, x = Erster Stadteintrag
if volume == 1:
x = 67
else:
x = 26
# Liste der Einwohnerzahlen
population_list = []
# Aufsplitten des Textes in Zeilen
text_split = text.splitlines()
# Hilfsvariablen
i = 1
# Durchlaufen des Textes
for index, line in enumerate(text_split):
# Überspringen der Titel- und Innenseite
if i > x:
# Durchlaufen der Städteliste
for city in city_names:
# Überprüfen ob das erste Element der Zeile komplett mit dem Stadtnamen übereinstimmt
if city == line.split(" ")[0]:
# Check ob in der nächsten Zeile Koordinaten vorkommen
# Zeile muss kürzer als 50 Zeichen sein, um Fließtext auszuschließen
if "miles:" in text_split[index + 1] and len(text_split[index + 1]) < 50:
# Erneute Überprüfung ob die nächste Zeile Koordinaten enthält
if bool(re.search(r'[°]', text_split[index + 1])):
# Auswahl der Koordinatenzeile
next_line = (text_split[index + 1])
# Aufteilen der Zeile in 3 Elemente anhand der Doppelpunkte und Auswahl des dritten Objekts
# print(city)
population = next_line.split(":")[2]
# Entfernen der Klammern
population = (re.sub(r"[\(\)]", "", population))
# Ersetzen des Dezimalkommas und Anhängen an die Ergebnisliste
population_list.append(population.replace(",", "."))
else:
i += 1
return population_list
# Funktion die Beschreibungen extrahiert
def extract_description(text, city_names, volume):
# Aufsplitten des Textes in Zeilen
text_split = text.splitlines()
# Volume spezifische Informationen, x = Erster Stadteintrag
if volume == 1:
x = 67
y = len(text_split)
else:
x = 26
y = 19113
# Liste der Beschreibungen
descriptions_list = []
# Liste der Kategorien
categories = ['Transportation', 'Public Utility Services', 'Solid Fuels', 'Liquid Fuels and Substitutes',
'Iron, Steel and Ferro-Alloys',
'Non-Ferrous Metal Manufacture and Fabrication', 'Aircraft and Aero-Engines', 'Shipbuilding',
'Engineering and Armaments',
'Chemicals and Explosives', 'Textiles, Rayon, Pulp and Paper', 'Rubber and Tyres', 'Leather',
'Foodstuffs']
# Hilfsvariablen
i = 1
# Durchlaufen des Textes
for index, line in enumerate(text_split):
# Überspringen der Titel- und Innenseite
if i > x:
# Durchlaufen der Städteliste
for city_index, city in enumerate(city_names):
# Überprüfen ob das erste Element der Zeile komplett mit dem Stadtnamen übereinstimmt
if city == line.split(" ")[0] and "miles:" in text_split[index + 1] and len(
text_split[index + 1]) < 50 and bool(re.search(r'[°]', text_split[index + 1])):
# Durchlaufen der nächsten Zeilen bis der nächste Eintrag gefunden wird
next_entry = False
last_city = False
try:
next_city = city_names[city_index + 1]
except IndexError:
last_city = True
next_entry = True
j = 2
# Speichern des kompletten Fließtextes der Stadt als Beschreibung
description = ""
if last_city:
while index + j < y : # Länge des Textes bis Ende
description = description + text_split[index + j]
j += 1
while not next_entry:
if text_split[index + j] != "":
description = description + text_split[index + j]
j += 1
else:
j += 1
if text_split[index + j].split(" ")[0] == next_city and len(
text_split[index + j + 1]) < 50 and bool(re.search(r'[°]', text_split[index + j + 1])):
next_entry = True
# Sortieren der Kategorien
sort_categories = []
# Suchen und Speichern der Kategorien die im Text der aktuellen Stadt vorkommen
for category in categories:
if category in description:
sort_categories.append(description.find(category))
else:
sort_categories.append(99999999999)
# Sortiert die Kategorien nach Auftreten in Text
sort_categories = [categories for _,categories in sorted(zip(sort_categories,categories))]
# Unterteilen des Textes
current_categories = []
# Suchen und Speichern der Kategorien die im Text der aktuellen Stadt vorkommen
for category in sort_categories:
if category in description:
current_categories.append(category)
description_dic = {}
# Wenn es keine Kategorien gibt wird nur die Beschreibung gespeichert
if not current_categories:
description_dic['Description'] = description
first = True
# Durchlaufen der Kategorien innerhalb des Fließtextes
for current_category_index, current_category in enumerate(current_categories):
# Speichern der Beschreibung, einmalig pro Text
if first:
description_dic['Description'] = description[:description.index(current_category)]
first = False
# Speichern aller Kategorien die nach der aktuellen Kategorie im Text vorkommen
next_categories = []
for category in current_categories:
if category is not current_category and description.index(category) > description.index(
current_category):
next_categories.append(description.index(category))
# Auswahl des Textes zwischen der aktuellen Kategorie und der nächsten vorkommenden Kategorie
if next_categories and current_category_index <= len(current_categories):
description_dic[current_category] = description[description.index(current_category):min(
next_categories)].replace(current_category, '')
current_category_index += 1
else:
# Speichern der letzten Kategorie, oder der einzigen falls es nur eine gibt
description_dic[current_category] = description[
description.index(current_category):].replace(
current_category, '')
# Speichern der Beschreibungen
descriptions_list.append(description_dic)
else:
i += 1
return descriptions_list
# Erstellen des Dictionaries mit allen Daten
def create_data_dic(text, volume):
# Check ob eine existierende Volume angegeben wurde
if volume not in [1, 2]:
print("Bitte 1 für Band 1 oder 2 für Band 2 eingeben.")
exit()
city_names = find_cities_detailed(text, volume)
descriptions = extract_description(text, city_names, volume)
data_dic = {'preface': get_preface(text, volume),
'volume': volume,
'cities': city_names,
'states': find_city_state(text, city_names, volume),
'coordinates': find_city_coordinates(text, city_names, volume),
'distances': find_city_distances(text, city_names, volume),
'population': find_city_population(text, city_names, volume),
'description': descriptions,
'index': get_index(text, volume),
}
return data_dic
# Funktion, die die Ergebnisse an eine vorhandene (manuell erstellte) XML-Datei anfügt
def insert_cities_xml(xml_file, data_dic, temp_file, input_file, volume):
text_split = file_open(input_file).splitlines()
# Initialisieren des XML-Trees
tree = ET.parse(xml_file)
# Zuweisen der Wurzel des XML-Trees
root = tree.getroot()
# Städtenamen
city_names = data_dic['cities']
# Bundesländer
state_list = data_dic['states']
# Koordinaten
coordinates_list = data_dic['coordinates']
# Entfernungen zu London
distances_list = data_dic['distances']
# Einwohnerzahlen
population_list = data_dic['population']
# Beschreibungen
description_list = data_dic['description']
# Durchlaufen aller Elemente "book" im XML-Tree
for book in root.iter('book'):
#Titel, Untertitel, Teil und Preface erstellen
sub = ET.SubElement(book, 'title')
sub.text = "THE BOMBER'S BAEDEKER"
sub = ET.SubElement(book, 'subtitle')
if volume == 1:
sub.text = 'AACHEN-KÜSTRIN'
else:
sub.text = 'LAHR - ZWICKAU'
sub = ET.SubElement(book, 'part')
sub.text = str(data_dic['volume'])
sub = ET.SubElement(book, 'preface')
sub.text = data_dic['preface']
# Durchlaufen der Städteliste
for city in city_names:
# Anfügen eines neuen Sub-Elements "city" mit dem Stadtnamen als Wert des Attributs "name"
sub = ET.SubElement(book, 'city')
sub.set('name', city)
# Durchlaufen aller Elemente "city" im XML-Tree
for index, city in enumerate(root.iter('city')):
# Anfügen eines Sub-Elements "state" an das Element "city"
sub_state = ET.SubElement(city, 'state')
# Check, dass es nicht mehr Elemente "city", als Einträge in der Bundesland-Liste gibt
if index < len(state_list):
# Das aktuelle Element "state" bekommt als Text-Wert den passenden Eintrag aus der Bundesland-Liste
sub_state.text = state_list[index]
# Anfügen eines Sub-Elements "coordinates" an das Element "city"
sub_coordinates = ET.SubElement(city, 'coordinates')
# Check, dass es nicht mehr Elemente "city", als Einträge in der Koordinaten-Liste gibt
if index < len(coordinates_list):
# Das aktuelle Element "coordinates" bekommt als Text-Wert den passenden Eintrag aus der Koordinaten-Liste
sub_coordinates.text = coordinates_list[index]
# Anfügen eines Sub-Elements "distance" an das Element "city"
sub_distances = ET.SubElement(city, 'distance')
# Check, dass es nicht mehr Elemente "city", als Einträge in der Entfernungen-Liste gibt
if index < len(distances_list):
# Das aktuelle Element "distances" bekommt als Text-Wert den passenden Eintrag aus der Entfernungen-Liste
sub_distances.text = distances_list[index]
# Anfügen eines Sub-Elements "population" an das Element "city"
sub_population = ET.SubElement(city, 'population')
# Check, dass es nicht mehr Elemente "city", als Einträge in der Einwohnerzahlen-Liste gibt
if index < len(population_list):
# Das aktuelle Element "population" bekommt als Text-Wert den passenden Eintrag aus der Einwohnerzahlen-Liste
sub_population.text = population_list[index]
# Check, dass es nicht mehr Elemente "city", als Einträge in der Beschreibungsliste gibt
if index < len(description_list):
# Einfügen der Beschreibung sowie der einzelnen Kategorien
for key in description_list[index]:
sub_details = ET.SubElement(city, key.replace(" ", "_").replace(",", "_"))
sub_details.text = re.sub(' +',' ',description_list[index][key])
if data_dic['index'] != "": #Index nur im Band 2
sub = ET.SubElement(book, 'index')
sub.text = data_dic['index']
tree.write(temp_file, encoding="UTF-8", xml_declaration=True)
def read_csv(file):
index_dic = {}
with open(file) as csv_file:
csv_reader = csv.reader(csv_file, delimiter=',')
for index, row in enumerate(csv_reader):
if index != 0:
# town, page, page2, url
index_dic[row[0]] = row[1:]
else:
index += 1
return index_dic
# Funktion zum Export als CSV-Datei
def write_csv(data_dic):
# Öffnen der Datei, in die die Ergebnisse geschrieben werden
with open('bomber.csv', mode='w') as bomber_out:
# Initialisieren des CSV-Writers
csv_writer = csv.writer(bomber_out, delimiter=',', quotechar='"', quoting=csv.QUOTE_MINIMAL)
# Städtenamen
city_names = data_dic['cities']
# Koordinaten
coordinates_list = data_dic['coordinates']
# Speichern der Spalten-Überschriften (Vorgabe von DARIAH)
csv_writer.writerow(
['Address', 'Longitude', 'Latitude', 'TimeSpan:begin', 'TimeSpan:end', 'GettyID', 'TimeStamp'])
# Durchlaufen der Städtenamen
for index, city in enumerate(city_names):
# Aufteilen der passenden Koordinaten in Längen- und Breitengrad
latitude = coordinates_list[index].split(",")[0]
longitude = coordinates_list[index].split(",")[1]
# Schreiben der Informationen in die CSV-Datei
csv_writer.writerow([city, longitude, latitude, '', '', '', ''])
# Unescape der HTML Entitäten der erstellten XML-Datei
def unescape(temp_file, output_file):
f = open(temp_file, "r")
if os.path.isfile(output_file) :
os.remove(output_file)
fc = open(output_file, "w")
fc.write(saxutils.unescape(f.read()).replace("<", "<").replace(">", ">").replace("&", "and"))
fc.close()
# Lösche temp_file nach Vorgangsabschluss
os.remove(temp_file)