#!/usr/bin/perl
use strict;
use Unicode::String qw(utf8);
use HTML::Entities;
use XML::RSS;

my $rep="$ARGV[0]";
my $reper="$ARGV[1]";
# on s'assure que le nom du répertoire ne se termine pas par un "/"
$rep=~ s/[\/]$//;        
# ----------------------------------------------------------
# ----------- Création des répertoires de sortie -----------
# ----------------------------------------------------------
my $sortie="SortiesRSS/";
if (! -e $sortie){	
	mkdir($sortie) or die ("Problème à la création du répertoire : $!");
}

$sortie="SortiesRSS/BAO1/";
if (! -e $sortie){
	mkdir($sortie) or die ("Problème à la création du répertoire : $!");
}

my $resBAO2="SortiesRSS/BAO2/";
if (! -e $resBAO2){
	mkdir($resBAO2) or die ("Problème à la création du répertoire : $!");
}

# initialisation des variables contenant les flux de sortie 
my %dicoTITRES=();
my %dicoDESC=();
my %dicoRUB=();

#----------------------------------------
&repererubriques($rep);
#----------------------------------------     
    
my @liste_rubriques = keys(%dicoRUB);    
# parcours de la liste des rubriques et création des fichiers
foreach my $rub (@liste_rubriques) {
    #print $rub,"\n";
    my $output1 = $sortie.$rub.".xml"; 
    my $output2 = $sortie.$rub.".txt";
    my $output3 = $resBAO2.$rub."_tagged.xml";
    if (!open (OUTXML,">:encoding(utf-8)", $output1)) { die "Can't open file $output1"};   
    if (!open (OUTTXT,">:encoding(iso-8859-1)", $output2)) { die "Can't open file $output2"};
    if (!open (OUTTAG,">:encoding(utf-8)", $output3)) { die "Can't open file $output3"};
    print OUTXML "<?xml version=\"1.0\" encoding=\"utf-8\" ?>\n";
    print OUTXML "<EXTRACTION>\n";
    print OUTTAG "<?xml version=\"1.0\" encoding=\"utf-8\" ?>\n";
    print OUTTAG "<EXTRACTION>\n";
    close(OUTXML);
    close(OUTTXT);
    close(OUTTAG);
}
#----------------------------------------
&parcoursarborescencefichiers($rep);	# on traite tous les fichiers
#----------------------------------------
foreach my $rub (@liste_rubriques) {
    my $output1=$sortie.$rub.".xml";
    my $output3 = $resBAO2.$rub."_tagged.xml";
    if (!open (OUTXML,">>:encoding(utf-8)", $output1)) { die "Can't open file $output1"};
    if (!open (OUTTAG,">>:encoding(utf-8)", $output3)) { die "Can't open file $output3"};
    print OUTXML "</EXTRACTION>\n";
    print OUTTAG "</EXTRACTION>\n";
    close(OUTXML);
    close(OUTTAG);
}
exit;
# ----------------------------------------------------------
# Parcours de l'arborescence et traitement des fichiers xml 
# ----------------------------------------------------------
sub parcoursarborescencefichiers {
    my $path = shift(@_);
    opendir(DIR, $path) or die "Can't open $path: $!\n";
    my @files = readdir(DIR);
    closedir(DIR);
    foreach my $file (@files) {
	next if $file =~ /^\.\.?$/;
	$file = $path."/".$file;
	if (-d $file) {
	    &parcoursarborescencefichiers($file);	
	}
	if (-f $file) {
	    if (($file=~/$reper.+\.xml$/) && ($file!~/\/fil.+\.xml$/)) {
		print "$file\n";
		open(FILE, $file);
		print "Traitement de : $file\n";
		my $texte="";
		while (my $ligne=<FILE>) {
		    $ligne =~ s/\n//g;
		    $ligne =~ s/\r//g;
		    $texte .= $ligne;
		}
		close(FILE);

		# recherche de l'encodage
		$texte=~/encoding ?= ?[\'\"]([^\'\"]+)[\'\"]/i;
		my $encodage=$1;
		print "ENCODAGE : $encodage\n";
		if ($encodage ne "") {
		    my $texteXML="<file>\n";
			$texteXML.="<name>$file</name>\n";
		    $texteXML.="<items>\n";
		    my $XMLtagged="<file>\n";
			$XMLtagged.="<name>$file</name>\n";
		    $XMLtagged.="<items>\n";
		    my $texteBRUT="";
		    open(FILE,"<:encoding($encodage)", $file);
		    #print "Traitement de : $file\n";
		    $texte="";
		    while (my $ligne=<FILE>) {
			$ligne =~ s/\n//g;
			$ligne =~ s/\r//g;
			$texte .= $ligne;
		    }
		    close(FILE);
		    # on recherche la rubrique
		    $texte=~/[<channel>|<atom.+>]<title>([^<]+)<\/title>/;
		    my $rub=$1;
		    $rub=~ s/Le ?Monde.fr ?://g;
			$rub=~s/ ?: ?Toute l'actualité sur Le Monde.fr.//g;
		    $rub=~s/\x{E8}/e/g;
		    $rub=~s/\x{E0}/a/g;
		    $rub=~s/\x{E9}/e/g;
		    $rub=~s/\x{C9}/e/g;
		    $rub=~s/ //g;
		    $rub=uc($rub);
		    $rub=~s/-LEMONDE.FR//g;
			$rub=~s/:TOUTEL'ACTUALITESURLEMONDE.FR.//g;
		    print "RUBRIQUE : $rub\n";
		    #----------------------------------------
		    my $output1=$sortie.$rub.".xml";
		    my $output2=$sortie.$rub.".txt";
		    my $output3=$resBAO2.$rub."_tagged.xml";
		    if (!open (OUTXML,">>:encoding(utf-8)", $output1)) { die "Can't open file $output1"};
		    if (!open (OUTTXT,">>:encoding(iso-8859-1)", $output2)) { die "Can't open file $output2"};
		    if (!open (OUTTAG,">>:encoding(utf-8)", $output3)) { die "Can't open file $output3"};
		    #--------------------------------------------------------
			# Utilisation de XML::RSS pour chercher les titres et descriptions
			#--------------------------------------------------------
		    my $rss = new XML::RSS;
			$rss->parsefile($file);
			
			foreach my $item(@{$rss->{'items'}}){
				my $titre = $item->{'title'};
				my $desc = $item->{'description'};

				if (uc($encodage) ne "UTF-8"){
				   utf8($titre);
				   utf8($desc);
				}
				
				# traiter les caractère diachrités avec HTML::Entities
				$titre = HTML::Entities::decode($titre);
				$desc = HTML::Entities::decode($desc);
				$titre = &clean($titre);
				$desc = &clean($desc);

				# verifier s'il n'y a pas de doublons
				if (!(exists $dicoTITRES{$titre}) and (!(exists $dicoDESC{$desc}))){	 
					$dicoTITRES{$titre}++;
					$dicoDESC{$desc}++;
					my $titre_tag = &etiquetage($titre);
					my $desc_tag = &etiquetage($desc);
					$texteXML.="<item>\n<title>$titre</title>\n<description>$desc</description>\n</item>\n";
					$XMLtagged.="<item>\n<title>\n$titre_tag</title>\n<description>\n$desc_tag</description>\n</item>\n";   
					print OUTTXT "$titre\n";
					print OUTTXT "$desc\n";
				}
		    }
		    $texteXML.="</items>\n</file>\n";
		    $XMLtagged.="</items>\n</file>\n";
		    
		    print OUTXML $texteXML;
		    print OUTTXT $texteBRUT;
		    print OUTTAG $XMLtagged;

		    close(OUTXML);
		    close(OUTTXT);
		    close(OUTTAG);	    
		}
		else {
		    print "$file ==> encodage non détecté \n";
		}
	    }
	}
	}
}
#-----------------------------------------------------------------------------------
# suppression des éléments non pertinents (liens, images...)
# + remplacement des caractères spéciaux
sub clean {
    my $texte=shift;
	$texte=~s/<img[^>]+>//g;
	$texte=~s/<a href[^>]+>//g;
	$texte=~s/<\/a>//g;
	$texte=~s/<[^>]+>//g;
	$texte=~s/&/et/g;
	$texte=~s/\x{201c}/“/g;
	$texte=~s/\x{201d}/”/g;
	$texte=~s/\x{2019}/'/g;
	$texte=~s/\x{2018}/‘/g;
	$texte=~s/\x{2013}/-/g;
	$texte=~s/\x{2192}/→/g;
	$texte=~s/\x{2026}/.../g;
	$texte=~s/\x{0153}/œ/g; 
	$texte=~s/\x{0152}/Œ/g;
	$texte=~s/\x{fffd}/�/g; # caractère de remplacement
	$texte=~s/\x{20ac}/€/g;
	$texte=~s/\x{2009}/ /g; # espace court
	return $texte;
}
#-----------------------------------------------------------------------------------
# récupérer les rubrques 
sub repererubriques {
    my $path = shift(@_);
    opendir(DIR, $path) or die "can't open $path: $!\n";
    my @files = readdir(DIR);
    closedir(DIR);
    foreach my $file (@files) {
	next if $file =~ /^\.\.?$/;
	$file = $path."/".$file;
	if (-d $file) {
	    &repererubriques($file);	
	}
	if (-f $file) {
	    if (($file=~/$reper.+\.xml$/) && ($file!~/\/fil.+\.xml$/)) {
		print "$file\n";
		open(FILE,$file);
		#print "Traitement de : $file\n";
		my $texte="";
		while (my $ligne=<FILE>) {
		    $ligne =~ s/\n//g;
		    $ligne =~ s/\r//g;
		    $texte .= $ligne;
		}
		close(FILE);
		$texte=~/encoding ?= ?[\'\"]([^\'\"]+)[\'\"]/i;
		my $encodage = $1;
		#print "ENCODAGE : $encodage\n";
		if ($encodage ne "") {
		    open(FILE,"<:encoding($encodage)", $file);
		    #print "Traitement de :\n$file\n";
		    $texte="";
		    while (my $ligne=<FILE>) {
			$ligne =~ s/\n//g;
			$ligne =~ s/\r//g;
			$texte .= $ligne;
		    }
		    close(FILE);
		    $texte =~ s/> *</></g;
		    if ($texte=~ /[<channel>|<atom.+>]<title>([^<]+)<\/title>/) {
			my $rub=$1;
			$rub=~s/Le ?Monde.fr ?://g;
			$rub=~s/ ?: ?Toute l'actualité sur Le Monde.fr.//g;
			$rub=~s/\x{E8}/e/g;  # è
			$rub=~s/\x{E0}/a/g;  # à 
			$rub=~s/\x{E9}/e/g;  # é
			$rub=~s/\x{C9}/e/g;  # É         
			$rub=~s/ //g;        
			$rub=uc($rub);  # mise en majuscules
			$rub=~s/-LEMONDE.FR//g; 
			$rub=~s/:TOUTEL'ACTUALITESURLEMONDE.FR.//g;			
			# mémoriser les rubriques 
			$dicoRUB{$rub}++;    
		    }
		}
		else {
		    print "$file ==> encodage non détecté \n";
		}
	    }
	}
	}
}

#----------------------------------------------
sub etiquetage
{
	my $texte=shift;
	my $temp="fichier_temp.txt";
	open(TEMP, ">:encoding(utf-8)", $temp); # fichier temporaire pour stocker le texte
	print TEMP $texte;
	close(TEMP);
	system("perl tokenise-utf8.pl $temp | tree-tagger.exe french-utf8.par -lemma -token -no-unknown -sgml > $reper-etiquetage.txt");
	# treetagger2xml
	system("perl treetagger2xml.pl $reper-etiquetage.txt");
	open(TaggedOUT,"<:encoding(utf-8)","$reper-etiquetage.txt.xml");

	my $texte_tag="";
	while (my $ligne=<TaggedOUT>){
		$texte_tag.=$ligne;
	}
	close(TaggedOut);
	return $texte_tag;
}