[PYTHON] 100 coups de traitement linguistique (2020): 22

"""
22.Extraction du nom de la catégorie
Extrayez les noms des catégories d'articles (par nom et non par ligne).
"""

import json
import re


def get_uk_text(path):
    with open(path) as f:
        for line in f:
            line_data = json.loads(line)
            if line_data["title"] == "Angleterre":
                data = line_data
                break
    return data["text"]


uk_text = get_uk_text("jawiki-country.json")
uk_text_list = uk_text.split("\n")
ans = [x for x in uk_text_list if "Category:" in x[:11]]
# ans:
# [[Category:Pays membres du Royaume-Uni]]
# [[Category:Royaume du Royaume-Uni|*]]
# [[Category:Pays membres du G8]]
# [[Category:Pays membres de l'Union européenne|Ancien]]
# [[Category:Nation marine]]
# [[Category:Pays souverain existant]]
# [[Category:Pays insulaire]]
# [[Category:Une nation / territoire créé en 1801]]


# ans22
def extract_category_value(string: str) -> str:
    """
    https://docs.python.org/3/library/re.html#regular-expression-syntax

    - re.VERBOSE  allow us add command to explain the regular expression
    - re.S        allow to recognize '\n'
    - (...)       matches whatever regular expression is inside the parentheses,
    - (?:...)     a non-capturing version of regular parentheses.
    - ?           causes the resulting RE to match 0 or 1 repetitions
    - *?          the '*' qualifier is greedy.
                  Adding ? after the qualifier makes it perform the match in non-greedy or minimal fashion; as few characters as possible will be matched.
                  e.g. <.*> is matched against '<a> b <c>'
                  e.g. <.*?> will match only '<a>'
    Input: [[Category:Angleterre|*]]
    Output: 'Angleterre'
    """
    pattern = re.compile(
        r"""
        ^       #Début de ligne
        .*      #Tout caractère 0 ou plus
        \[\[Category:
        (       #Démarrer le groupe à capturer
        .*?     #Tout caractère 0 ou plus, correspondance non gourmande (en cas de gourmandise, la seconde moitié'|'Implique des décorations commençant par)
        )       #Fin du groupe
        (?:     #Démarrer un groupe qui n'est pas capturé
        \|.*    # '|'0 ou plusieurs caractères suivants
        )?      #Fin de groupe, 0 ou 1 apparition
        \]\]
        .*      #Tout caractère 0 ou plus
        $       #Fin de ligne
        """,
        re.VERBOSE | re.S,
    )
    result = re.findall(pattern, string)[0]
    return result


category_values = [extract_category_value(s) for s in ans]
print(category_values)
# ['Angleterre',
#  'Pays membres du Royaume-Uni',
#  'Royaume du Royaume-Uni',
#  'Pays membres du G8',
#  'Pays membres de l'Union européenne',
#  'Nation marine',
#  'Pays souverain existant',
#  'Pays insulaire',
#  'Une nation / territoire créé en 1801']