#/usr/bin/perl
<<DOC;
 Auteur : Santiago HY
 Usage exemple : perl BaO-regexp.pl 2020-5j 3208
 Le programme prend comme arguments le nom du répertoire-racine contenant les fichiers
 à traiter et le nom de la rubrique à traiter parmi ces fichiers
DOC
#-----------------------------------------------------------
#$ARGV[0] = répertoire à parcourir
#$ARGV[1] = nom de la rubrique
#-----------------------------------------------------------
use strict;
use utf8;
binmode(STDOUT,":utf8");
#-----------------------------------------------------------
# Récuperation des arguments à partir de la liste @ARGV avec laquelle le programme a été exécuté 
my $repertoire="$ARGV[0]";
my $rubrique ="$ARGV[1]";
# On évite que le chemin du répertoire finisse par "/" 
$repertoire=~ s/[\/]$//;
# Création de deux fichiers de sortie
open my $OUT ,">:encoding(utf8)","sortie-xslt_$rubrique.txt";
open my $OUTXML,">:encoding(utf8)","sortie-xslt_$rubrique.xml";
# Ecriture de l'entête du fichier xml
print $OUTXML "<?xml version=\"1.0\" encoding=\"utf-8\"?>\n";
print $OUTXML "<corpus2020>\n";
my %dico_titres=(); # Hash pour éviter les doublons 
# Deux variables destinées au bon affichage dans le terminal 
my $nbItem=0; 
my $i=0;
#----------------------------------------
&parcoursarborescencefichiers($repertoire);	# Procédure récursive pour récuperer le contenu textuel 
#----------------------------------------
# Fermeture de la balise racine et des fichiers output
print $OUTXML "</corpus2020>\n"; 
close $OUT;
close $OUTXML;
print "Nb item : $nbItem \n"; 
exit;
#----------------------------------------------
sub parcoursarborescencefichiers {
    # Récuperation de l'argument utilisé, càd du chemin du répertoire
	my $path = shift(@_);
	# Exploration de répertoire. L'erreur a été signalée s'il y en a une 
    opendir(my $DIRhandle, $path) or die "can't open $path: $!\n";
	# Stokage dans un liste les fichiers du répertoire
    my @files = readdir($DIRhandle);
    closedir($DIRhandle);
	# On parcours la liste de fichier en ignorant les fichiers cachés. On traite chaque fichier
	foreach my $file (sort @files) {
		# Si c'est vrai, on l'ignore
		next if $file =~ /^\.\.?$/;
		# Reconstruction du chemin
		$file = $path."/".$file;
		# Avec -d, on verifie si le fichier est un dossier. Si c'est le cas, on relance la procédure
		if (-d $file) {
			&parcoursarborescencefichiers($file);
		}
		# S'il s'agit d'un fichier, on le traite
		if (-f $file) {
			# Si c'est un fichier xml de notre rubrique ...
			if ($file =~/$rubrique.+xml$/) {
				print $i++," Traitement de : ",$file,"\n"; # Affichage du nb et du nom du fichier traité
				&traitement_xslt($file) # Procédure pour traiter le fils RSS
			}
		}
    }
}
#----------------------------------------------
sub traitement_xslt {
	my $file = shift(@_);
	system("xsltproc BaO1.xsl $file");
	open my $fichier_xml,"<:encoding(utf8)", $file; # Ouverture du fichier xml
	# Par défaut cette variable contient \n. On efface le contenu pour pouvoir traite le texte de façon globale
	$/=undef;
	my $texte=<$fichier_xml>; # Lecture globale
	close $fichier_xml;
	# Si nous trouvons du contenu textuel.. (s = reconnaisance des spaces, g = global)
	while ($texte=~/<item><title>(.+?)<\/title>.+?<description>(.+?)<\/description><guid.+?\/(\d{4}\/\d{2}\/\d{2}).+?<\/item>/sg) {
		# Récuperation du contenu textuel des titres, leur dates et leur description. 
		my $titre=$1;
		my $description=$2;
		my $date= $3;
		# Si le titre n'a pas été déjà stocké dans %dico_titres, on traite le contenu. On évite des doublons.
		if (!(exists $dico_titres{$titre})) { 
			$nbItem++;
			$dico_titres{$titre}=$description;
			# Appel du sous-programme de nettoyage 
			($titre,$description)=&nettoyage($titre,$description);
			# Ecriture des résultats en sorties
			print $OUT $titre,"\n";
			print $OUT $description,"\n";
			print $OUT "--------------------\n";
			print $OUTXML "<item date=\"${date}\">\n";
			print $OUTXML "<titre>$titre</titre>\n";
			print $OUTXML "<description>$description</description>\n";
			print $OUTXML "</item>\n";
		}
	}
}
#----------------------------------------------
sub nettoyage {
    # Récuperation des arguments de la procédure
	# Egal à my $titre=shift(@_); my $description=shift(@_);
	# Néttoyage de contenu non textuel.
    my $titre = $_[0];
    my $description = $_[1];
	$titre=~s/^<!\[CDATA\[//;
	$titre=~s/\]\]>$//;
    $titre=~s/&lt;.+?&gt;//g;
    $titre=~s/&#38;#39;/'/g;
    $titre=~s/&#38;#34;/"/g;
    $titre=~s/$/\./g;
	$titre=~s/\.+$/\./g;
	$titre=~s/\?\.$/\?/g;
	$titre=~s/&nbsp;//g;
	$description=~s/^<!\[CDATA\[//;
	$description=~s/\]\]>$//;
	$description=~s/$/\./g;
	$description=~s/\.+$/\./g;
	$description=~s/\?\.$/\?/g;
    $description=~s/&lt;.+?&gt;//g;
    $description=~s/&#38;#39;/'/g;
    $description=~s/&#38;#34;/"/g;
	$description=~s/&nbsp;//g;
    return $titre,$description;
}