[PYTHON] 100 coups de traitement linguistique (2020): 23

"""
23.Structure de la section
Noms des sections et leurs niveaux contenus dans l'article (par exemple ""==Nom de la section==Si ", affichez 1).
"""

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")
# See uk_text.txt


# ans23
def get_section(string: str) -> list:
    """
    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:
        - ===Grandes villes===
    Return:
        - [('==', 'note de bas de page'), ...]
    """
    pattern = re.compile(
        r"""
            ^     #Début de ligne
            (={2,}) #Cible de capture, 2 ou plus'='
            \s*     #0 ou plusieurs blancs supplémentaires ('philosophie'Ou'mariage'Supprimé car il y a un espace supplémentaire avant et après
            (.+?)   #Capturer la cible, un ou plusieurs caractères arbitraires, non gourmands (empêchant l'entraînement des conditions suivantes)
            \s*     #0 ou plusieurs blancs supplémentaires
            \1      #Référence arrière, même contenu que la première cible de capture
            .*      #Tout caractère vaut 0 ou plus
            $       #Fin de ligne
            """,
        re.MULTILINE | re.VERBOSE,
    )
    result = re.findall(pattern, string)
    return result


def get_level(sections: list):
    result = []
    for level, value in sections:
        level = len(level) - 1
        result.append((level, value))
    return result


sections = get_section(uk_text)  # [('==', 'note de bas de page'), ...]
result = get_level(sections)  # [(1, 'note de bas de page'), ...]

for level, value in result:
    print(" " * 2 * (level - 1) + value)
#Nom du pays
#histoire
#La géographie
#Grandes villes
#climat
#Politique
#Ancien chef
#Loi
#Affaires domestiques
#Division de l'administration locale
#Diplomatie / militaire