#!/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 ("Problème à la création du répertoire : $!");
}

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

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

# 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);    
# parcours de la liste des rubriques et création des fichiers
foreach my $rub (@listeRubriques) {
    #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);
}

# Parcourir l'arborescence et verifier l'encodage
&parcourRep($rep);	# on traite tous les fichiers
foreach my $rub (@listeRubriques) {
    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;

# 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);
		# detecter 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);
		    $texte="";
		    while (my $ligne=<FILE>) {
			$ligne =~ s/\n//g;
			$ligne =~ s/\r//g;
			$texte .= $ligne;
		    }
		    close(FILE);
		    # 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";
		    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 $output3"};
			# Stocker les titres et les descriptions dans des variables
		    while ($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}++;
					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 $XMLtagged;
		    close(OUTXML);
		    close(OUTTXT);
		    close(OUTTAG);	    
		}
		# Si l'encodage n'est pas detecte afficher un message d'erreur
		else {
		    print "$file ==> encodage non détecté \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=~/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);
		    $texte =~ s/> *</></g;
			# stocker la rubrique identifiée dans une variable
		    if ($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;
			# 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 /cygwin/home/TreeTagger/cmd/tokenise-fr.pl $temp | /cygwin/home/TreeTagger/bin/tree-tagger /cygwin/home/TreeTagger/lib/french-utf8.par -lemma -token -no-unknown -sgml > etiquetage.txt");
	# treetagger2xml
	system("perl /cygwin/home/TreeTagger/cmd/treetagger2xml.pl etiquetage.txt");
	open(TaggedOUT,"<:encoding(utf-8)","etiquetage.txt.xml");

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