Referentiels/python/ressourcedocx.py

355 lines
13 KiB
Python
Raw Normal View History

import re
from officiel import *
2021-03-30 07:56:41 +02:00
from modeles import *
from officiel import supprime_accent_espace, get_code_from_nom
2021-03-30 11:00:23 +02:00
import ruamel.yaml
from ruamel.yaml.scalarstring import FoldedScalarString as folded
__LOGGER = logging.getLogger(__name__)
class RessourceDocx():
"""Classe modélisant les ressources, lorsqu'elles sont extraites du docx"""
def __init__(self, nom, brute):
self.nom = nom
self.brute = brute # les données brutes de la ressource
def charge_informations(self, code, semestre, heures_encadrees, tp, sae, prerequis, description, mots):
self.code = code
self.semestre = semestre # <--
self.heures_encadrees = heures_encadrees
self.tp = tp
self.sae = sae
self.prerequis = prerequis
self.description = description
2021-03-30 07:56:41 +02:00
self.contexte = None
self.contenu = None
self.mots = mots
def charge_ac(self, apprentissages):
self.apprentissages = apprentissages
def __str__(self):
print(self.nom + " " + self.code)
2021-03-30 09:22:21 +02:00
def str_heures_formations(self):
return self.heures_encadrees if self.heures_encadrees else "???"
2021-03-30 09:22:21 +02:00
def str_heures_tp(self):
return self.tp if self.tp else "???"
2021-03-30 09:22:21 +02:00
def str_semestre(self):
return int(self.semestre[1])
def to_yaml(self):
2021-03-30 11:00:23 +02:00
2021-03-30 09:22:21 +02:00
dico = {"nom": self.nom,
"code": self.code,
"semestre" : self.str_semestre(),
"heures_formation": self.str_heures_formations(),
"heures_tp": self.str_heures_tp(),
"acs": self.apprentissages,
"sae": self.sae,
2021-03-30 09:22:21 +02:00
"prerequis": self.prerequis,
2021-04-02 10:46:42 +02:00
"contexte": folded(caracteres_recalcitrants(self.contexte)),
"contenu": folded(caracteres_recalcitrants(self.contenu)),
"motscles": caracteres_recalcitrants(self.mots) if self.mots else ""
2021-03-30 09:22:21 +02:00
}
2021-03-30 11:00:23 +02:00
# output = yaml.dump(dico, #Dumper=yaml.Dumper,
# sort_keys=False, allow_unicode=True)
2021-03-30 11:00:23 +02:00
output = ruamel.yaml.dump(dico, Dumper=ruamel.yaml.RoundTripDumper,
allow_unicode=True,
width=100)
output = output.replace("\n\n", "\n")
2021-03-30 09:22:21 +02:00
return output
2021-03-30 07:56:41 +02:00
def nettoie_heure(r):
2021-03-29 22:11:17 +02:00
"""Nettoie le champ (horaire) (de la forme 46h ou 33...) pour en extraire la valeur numérique :
le champ peut contenir 2 volumes (heures formation puis heures tp), auquel cas les 2 valeurs sont renvoyées
dans un tuple"""
2021-03-30 07:56:41 +02:00
def nettoie_champ_heure(champ):
try: # champ contenant uniquement un nbre d'heure
volumes = int(champ)
return volumes
except:
volumes = re.findall("(\d{2}\D|\d{1}\D)", champ)
if len(volumes) == 1:
return int(volumes[0][:-1])
elif len(volumes) == 2:
volumes = sorted(volumes, reverse=True)
return (int(volumes[0][:-1]), int(volumes[1][:-1]))
if r.heures_encadrees: # si les heures encadrées sont renseignées
volumes = nettoie_champ_heure(r.heures_encadrees)
if r.tp:
r.tp = nettoie_champ_heure(r.tp)
if isinstance(volumes, int):
r.heures_encadrees = volumes
elif isinstance(volumes, tuple):
r.heures_encadrees = volumes[0]
if not r.tp:
r.tp = volumes[1]
elif r.tp != volumes[1]:
__LOGGER.warning(r"nettoie_heure: ans {r.nom}, pb dans les heures tp/td")
else:
r.heures_encadrees = None
2021-03-29 22:11:17 +02:00
#else:
#__LOGGER.warning("Heures non détectées")
2021-03-30 07:56:41 +02:00
def nettoie_code(r):
"""Recherche les codes ressources de la forme RXXX dans champ"""
2021-03-30 07:56:41 +02:00
champ = r.code
if r.code:
codes = re.findall(r"(R[0-9][0-9][0-9])", champ)
# if len(codes) > 1:
# __LOGGER.warning("plusieurs codes trouvés :(")
#elif len(codes) == 0:
# __LOGGER.warning("code manquant")
if len(codes) == 1:
r.code = codes[0]
else:
code_devine = get_code_from_nom(r)
if code_devine:
__LOGGER.warning(f"nettoie_code : \"{r.nom}\" => code {code_devine}")
r.code = code_devine
else:
r.code = None
__LOGGER.warning(f"nettoie_code : \"{r.nom}\" => code manquant")
def nettoie_semestre(r):
"""Nettoie les semestres : semestre 1 => "S1", semestre 2 => "S2" """
if r.semestre:
if "1" in r.semestre:
r.semestre = "S1"
elif "2" in r.semestre:
r.semestre = "S2"
else:
__LOGGER.warning(f"nettoie_semestre : dans \"{r.nom}, PAS de semestre => rattaché au S2")
r.semestre = "S2"
else:
__LOGGER.warning(f"nettoie_semestre : dans \"{r.nom}, PAS de semestre => rattaché au S2")
r.semestre = "S2"
2021-03-30 07:56:41 +02:00
def nettoie_titre(r):
"""Nettoie le titre en utilisant les titres officiels"""
def devine_nom_from_ressources(champ):
champ_purge = supprime_accent_espace(champ)
for sem in DATA_RESSOURCES:
for code in DATA_RESSOURCES[sem]:
nom_purge = supprime_accent_espace(DATA_RESSOURCES[sem][code])
if champ_purge.startswith(nom_purge):
return DATA_RESSOURCES[sem][code] # le bon nom
old = r.nom
titre = devine_nom_from_ressources(r.nom)
if titre and titre != old:
__LOGGER.warning(f"nettoie_titre : {old} => titre \"{titre}\"")
r.nom = titre
def nettoie_acs(r):
"""Nettoie les acs d'une ressource en les remplaçant par leur code pour les 3 compétences"""
if len(r.apprentissages) != 3:
__LOGGER.warning(f"nettoie_acs : Problème dans le nombre de compétences de {r.nom}")
dico = {}
2021-03-30 07:56:41 +02:00
for comp in range(3):
donnees = r.apprentissages[comp] # chaine de caractères listant les ACS
# donnees = donnees.replace("\t", "").replace("-", "") # supprime les tabulations
acs_avec_code = devine_acs_by_code(donnees)
2021-03-30 09:22:21 +02:00
acs_avec_nom = devine_code_by_nom_from_dict(donnees, DATA_ACS)
if acs_avec_code and set(acs_avec_nom).intersection(set(acs_avec_code)) != set(acs_avec_nom):
__LOGGER.warning(f"Dans {r.nom}, revoir les ACS : {acs_avec_code} vs {acs_avec_nom}")
2021-03-30 07:56:41 +02:00
acs_finaux = acs_avec_code + acs_avec_nom
acs_finaux = [ac.replace(" ", "") for ac in acs_finaux]
acs_finaux = sorted(list(set(acs_finaux)))
dico["RT" + str(comp+1)] = acs_finaux
r.apprentissages = dico # [comp] = acs_finaux
2021-03-30 07:56:41 +02:00
2021-03-30 12:14:27 +02:00
def nettoie_sae(r):
"""Nettoie les sae en détectant les codes"""
SAE_avec_code = devine_sae_by_code(r.sae)
liste = [l.rstrip() for l in SAE_avec_code]
r.sae = liste
if not r.sae:
__LOGGER.warning(f"nettoie_sae: dans {r.nom} pas de SAE (:")
2021-03-30 12:14:27 +02:00
2021-03-30 07:56:41 +02:00
def nettoie_prerequis(r):
"""Nettoie les prérequis (ressource) en les remplaçant par leur code de ressource"""
R_avec_code = devine_ressources_by_code(r.prerequis)
2021-03-30 09:22:21 +02:00
R_avec_nom = devine_code_by_nom_from_dict(r.prerequis, DATA_RESSOURCES)
2021-03-30 12:14:27 +02:00
liste = R_avec_code + R_avec_nom
2021-04-02 11:50:22 +02:00
liste = [l.rstrip().replace(",", "").replace(".","") for l in liste] # supprime les espaces
2021-03-30 12:14:27 +02:00
R_finaux = sorted(list(set(liste)))
2021-03-30 07:56:41 +02:00
if R_finaux:
r.prerequis = R_finaux
else:
r.prerequis = "Aucun"
def nettoie_mots_cles(r):
mots = r.mots # .encode('utf8', 'ignore').decode('utf8')
2021-04-02 12:08:09 +02:00
mots = mots.replace(".", "").replace(";", ",")
mots = mots.replace(" ,", ",")
r.mots = mots
def devine_acs_by_code(champ):
"""Recherche les codes ressources de la forme ACXXX ou AC0XXX dans champ ;
ramène les codes AC0XXX à 3 chiffres.
"""
codes3 = re.findall(r"(AC[0-9][0-9][0-9]\D)", champ) # de code à 3 chiffres
codes4 = re.findall(r"(AC0[0-9][0-9][0-9])", champ)
codes3 = [c.rstrip() for c in codes3]
codes4 = [c.rstrip() for c in codes4]
codes4 += [ "AC0" + c[-3:] for c in codes3] # ajoute les 0 manquants des acs (codage AC0111)
2021-03-30 19:35:52 +02:00
return sorted(list(set(codes4)))
2021-03-30 07:56:41 +02:00
def devine_ressources_by_code(champ):
"""Recherche les codes ressources de la forme RXXX dans champ ;
"""
codes = re.findall(r"(R\d{3}\D)", champ) # de code à 3 chiffres
return sorted(list(set(codes)))
def devine_ressources_by_nom(donnees):
"""Partant d'une chaine de caractères, détermine les ressources
présentes dans la donnée, en utilisant les infos officielles de
ressources.yml"""
donnees_purge = supprime_accent_espace(donnees)
codes = []
for sem in DATA_RESSOURCES:
for code in DATA_RESSOURCES[sem]:
nom_purge = supprime_accent_espace(DATA_RESSOURCES[sem][code])
if nom_purge in donnees_purge:
codes += [code]
return sorted(list(set(codes)))
def devine_sae_by_code(donnees):
"""Partant d'une chaine de caractères, détermine les codes des SAE"""
codes = re.findall(r"(SAE\d\d)\D", donnees)
codes += re.findall(r"(SAÉ\d\d)\D", donnees)# de code à 3 chiffres
for (i, code) in enumerate(codes):
codes[i] = codes[i].replace("E", "É")
return sorted(list(set(codes)))
2021-03-30 11:00:23 +02:00
def split_description(r):
"""Découpe le champ description en un contexte+un contenu ; si pas possible """
2021-03-30 07:56:41 +02:00
champs = r.description.split("\n")
champs = [c for c in champs if c] # supprime les lignes vides
indicea = 0 # la ligne mentionnant le contexte
if True in [ligne.startswith("Contexte et ") for ligne in champs]: # la ligne commençant par Contenus
indicea = [ligne.startswith("Contexte et ") for ligne in champs].index(True)
indicec = 0
contexte = []
2021-03-30 07:56:41 +02:00
if True in [ligne.startswith("Contenus") for ligne in champs]: # la ligne commençant par Contenus
indicec = [ligne.startswith("Contenus") for ligne in champs].index(True)
2021-04-02 10:46:42 +02:00
if True in [ligne.startswith("Contexte et ") for ligne in champs]:
contexte = champs[indicea+1:indicec]
2021-03-30 07:56:41 +02:00
else:
contexte = champs[:indicec]
# suppression des lignes vides
contexte = "\n".join(remove_ligne_vide(contexte))
# suppression des liens
contexte = remove_link(contexte)
if not contexte:
contexte = "Aucun"
2021-03-30 11:00:23 +02:00
contenu = "\n".join(champs[indicec+1:])
2021-03-30 07:56:41 +02:00
2021-03-30 11:00:23 +02:00
# sauvegarde des champs
r.contexte = contexte
2021-03-30 11:00:23 +02:00
r.contenu = contenu
def remove_link(contenu):
liens = re.findall("(<a\s.*\">)", contenu)
for m in liens:
contenu = contenu.replace(m, "")
contenu = contenu.replace("</a>", "")
return contenu
2021-03-30 11:00:23 +02:00
def remove_ligne_vide(contenus):
"""Supprime les lignes vides"""
2021-04-02 10:46:42 +02:00
if isinstance(contenus, list):
return [c for c in contenus if c.rstrip()]
else: # contenu = chaine
temp = contenus.split("\n")
temp = [t for t in temp if t.replace("\t", "").rstrip()]
return "\n".join(temp)
2021-03-30 11:00:23 +02:00
def get_marqueur_numerique(contenu):
"""Revoie la liste des marqueurs numériques"""
m = re.findall(r"(\d/|\d\s/)", contenu)
m += re.findall(r"(\d\s\)|\d\))", contenu) # les marqueurs de la forme 1)
m += re.findall(r"(--\s|--\t)", contenu)
2021-03-30 11:00:23 +02:00
return m
def get_marqueurs(contenus):
"""Renvoie la liste des marqueurs (à 1 caractère) partant d'une liste de ligne"""
2021-03-30 07:56:41 +02:00
marqueurs = []
for ligne in contenus:
m = re.search(r"(\t)*", ligne) # des \t ?
2021-03-30 07:56:41 +02:00
if m.group() != "":
ajout = m.group()
else:
ajout = ""
2021-03-30 11:00:23 +02:00
ligne = ligne.replace("\t","")[0].rstrip() # le marqueur en début de ligne (si 1 caractère)
2021-03-30 19:35:52 +02:00
if ligne[0] not in string.ascii_letters and ligne[0] != "É" and ligne[0] != "/":
2021-03-30 11:00:23 +02:00
marqueurs += [ajout + ligne[0]] # tous les symboles
2021-03-30 07:56:41 +02:00
2021-03-30 11:00:23 +02:00
marqueurs_finaux = [] # tri les marqueurs en supprimant les doublons et en gardant un ordre (pour détecter les sous listes)
2021-03-30 07:56:41 +02:00
for m in marqueurs:
2021-03-30 11:00:23 +02:00
if m not in marqueurs_finaux:
2021-03-30 07:56:41 +02:00
marqueurs_finaux.append(m)
2021-03-30 11:00:23 +02:00
return marqueurs_finaux
2021-03-30 19:35:52 +02:00
def get_marqueur(ligne, marqueurs):
"""Renvoie le marqueur qui marque le début d'une ligne parmi une liste de marqueurs recherchés"""
for m in marqueurs:
if ligne.startswith(m):
return m
2021-03-30 11:00:23 +02:00
def nettoie_contenus(r):
# suppression des \t
2021-04-02 10:46:42 +02:00
contenu = r.contenu.replace(" / ", "/") # supprime les nbsp
2021-04-02 10:46:42 +02:00
if r.code == "R113":
print("ici")
2021-03-30 11:00:23 +02:00
marqueurs_numeriques = get_marqueur_numerique(contenu)
for m in marqueurs_numeriques: # remplace les marqueurs numériques
contenu = contenu.replace(m, ">")
contenus = [ligne.rstrip() for ligne in contenu.split("\n")] # les contenus
2021-03-30 11:00:23 +02:00
contenus = remove_ligne_vide(contenus) # supprime les lignes vides
marqueurs_finaux = get_marqueurs(contenus)
2021-03-30 07:56:41 +02:00
contenus_fin = contenus[:] # copie des ligne
2021-03-30 07:56:41 +02:00
for (i, ligne) in enumerate(contenus):
m = get_marqueur(ligne, marqueurs_finaux)
if m:
pos = marqueurs_finaux.index(m)
contenus_fin[i] = "\t" * (pos) + "* " + ligne.replace(m, "").replace("\t", "").rstrip()
2021-03-30 07:56:41 +02:00
contenu = "\n\n".join(contenus_fin)
# contenu = contenu.replace("\n\n", "\n")
2021-03-30 07:56:41 +02:00
r.contenu = contenu
2021-03-30 11:00:23 +02:00
2021-04-02 10:46:42 +02:00
def caracteres_recalcitrants(contenu):
contenu = contenu.replace("", "è").replace("", "'").replace("", "é")
contenu = contenu.replace("", "â").replace(b'a\xcc\x82'.decode("utf8"), "â")
contenu = contenu.replace('\xa0', ' ') # le nbsp
return contenu
2021-03-30 07:56:41 +02:00
if __name__=="__main__":
# Eléments de test
for sem in DATA_RESSOURCES:
for code in DATA_RESSOURCES[sem]:
nom_data = supprime_accent_espace(DATA_RESSOURCES[sem][code])
print(nom_data)