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

my $rep="$ARGV[0]";
# il faut s'assurer que le nom du repertoire se termine pas par un "/"
$rep=~ s/[\/]$//;   
     
# Creation du repertoire qui contiendra les fichiers de sortie 
my $sortie="Sorties/";
if (! -e $sortie){	
	mkdir($sortie) or die ("Le repertoire existe deja : $!");
}

# Initialisation des variables qui contiendrons les flux de sortie
my %dicoTITRES=();
my %dicoDESC=();
my %dicoRUB=();

# parcourir la liste des rubriques et creer les fichiers
&repRubriques($rep);   
my @listeRubriques = keys(%dicoRUB);    
foreach my $rub (@listeRubriques) {
    my $output1 = $sortie.$rub.".xml"; 
    my $output2 = $sortie.$rub.".txt";
    if (!open (OUTXML,">:encoding(utf-8)", $output1)) { die "Le repertoire existe deja $output1"};   
    if (!open (OUTTXT,">:encoding(iso-8859-1)", $output2)) { die "Le repertoire existe deja $output2"};   
    print OUTXML "<?xml version=\"1.0\" encoding=\"utf-8\" ?>\n";
    print OUTXML "<EXTRACTION>\n";
    close(OUTXML);
    close(OUTTXT);
}

# Parcourir l'arborescence et verifier l'encodage
&parcourRep($rep);
foreach my $rub (@listeRubriques) {
    my $output1=$sortie.$rub.".xml";
    if (!open (OUTXML,">>:encoding(utf-8)", $output1)) { die "Le repertoire existe deja $output1"};
    print OUTXML "</EXTRACTION>\n";
    close(OUTXML);
}
exit;

# Parcourir l'arborescence et traiter les fichiers xml 
sub parcourRep {
    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 $file) {
	    &parcourRep($file);	
	}
	if (-f $file) {
	    if (($file=~/\.xml$/) && ($file!~/\/fil.+\.xml$/)) {
		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=~s/> *</></g;
		# detecter l'encodage
		$texte=~/encoding ?= ?[\'\"]([^\'\"]+)[\'\"]/i;
		my $encodage=$1;
		print "ENCODAGE : $encodage\n";
		# traiter si l'encodage est detecte
		if ($encodage ne "") {
		    my $texteXML="<file>\n";
			$texteXML.="<name>$file</name>";
		    $texteXML.="<items>\n";
		    my $texteBRUT="";
		    open(FILE,"<:encoding($encodage)", $file);
		    $texte="";
			# supprimer les sauts de ligne
		    while (my $ligne=<FILE>) {
			$ligne =~ s/\n//g;
			$ligne =~ s/\r//g;
			$texte .= $ligne;
		    }
		    close(FILE);
			# supprimer les espaces entre les balises
			$texte=~s/> *</></g;
		    # Chercher 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); # mise en majuscules
		    $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";
		    if (!open (OUTXML,">>:encoding(utf-8)", $output1)) { die "Le repertoire existe deja $output1"};
		    if (!open (OUTTXT,">>:encoding(iso-8859-1)", $output2)) { die "Le repertoire existe deja $output2"};
			# Stocker les titres et les descriptions dans des variables
		    while ($texte =~ /<item><title>(.+?)<\/title>.+?<description>(.+?)<\/description>/g) {
				my $titre=$1;
				my $desc=$2;
				# Si l'encodage n'est pas UTF-8, encoder en UTF-8 avec le module Unicode::String
				if (uc($encodage) ne "UTF-8"){
				   utf8($titre);
				   utf8($desc);
				}
				# Traiter les caractere diachrites avec HTML::Entities
				$titre = HTML::Entities::decode($titre);
				$desc = HTML::Entities::decode($desc);
				$titre = &clean($titre);
				$desc = &clean($desc);
				# Supprimer les doublons
				if (!(exists $dicoTITRES{$titre}) and (!(exists $dicoDESC{$desc}))){	 
					$dicoTITRES{$titre}++;
					$dicoDESC{$desc}++;
					$texteXML.="<item>\n<title>$titre</title>\n<description>$desc</description>\n</item>\n";  
					print OUTTXT "$titre\n";
					print OUTTXT "$desc\n";
				}
		    }
		    $texteXML.="</items>\n</file>\n";
		    print OUTXML $texteXML;
		    print OUTTXT $texteBRUT;
		    close(OUTXML);
		    close(OUTTXT);
		}
		# Si l'encodage n'est pas detecte afficher un message d'erreur
		else {
		    print "$file ==> encodage non detecte \n";
		}
	    }
	}
	}
}

# suppression des metadonnees
# remplacement des caracteres speciaux
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; 
	$texte=~s/\x{20ac}/€/g;
	$texte=~s/\x{2009}/ /g; 
	return $texte;
}

# Parcourir l'arborescence pour reperer les rubriques  
sub repRubriques {
    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 $file) {
	    &repRubriques($file);	
	}
	if (-f $file) {
	    if (($file=~/\.xml$/) && ($file!~/\/fil.+\.xml$/)) {
		open(FILE,$file);
		my $texte="";
		while (my $ligne=<FILE>) {
		    $ligne =~ s/\n//g;
		    $ligne =~ s/\r//g;
		    $texte .= $ligne;
		}
		close(FILE);
		$texte=~s/> *</></g;
		$texte=~/encoding ?= ?[\'\"]([^\'\"]+)[\'\"]/i;
		my $encodage = $1;
		if ($encodage ne "") {
		    open(FILE,"<:encoding($encodage)", $file);
		    $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;  
			$rub=~s/\x{E0}/a/g;  
			$rub=~s/\x{E9}/e/g;  
			$rub=~s/\x{C9}/e/g;          
			$rub=~s/ //g;      
			$rub=uc($rub);  # mise en majuscules
			$rub=~s/-LEMONDE.FR//g;  
			$rub=~s/:TOUTEL'ACTUALITESURLEMONDE.FR.//g;
			# memoriser les rubriques 
			$dicoRUB{$rub}++;    
		    }
		}
		else {
		    print "$file ==> encodage non détecté \n";
		}
	    }
	}
	}
}