[PYTHON] 100 coups de traitement linguistique (2020): 27

"""
27.Suppression des liens internes
En plus des 26 processus, supprimez le balisage du lien interne MediaWiki de la valeur du modèle et convertissez-le en texte (référence):Tableau de majoration).
"""

import json
import re

import utils


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"]


def get_basic_info(string: str) -> str:
    """Get basic information section
    """
    pattern = re.compile(
        r"""
            ^\{\{Informations de base.*?$   # '{{Informations de base'Lignes commençant par
            (.*?)       #Capturer la cible, n'importe quel 0 caractère ou plus, non gourmand
            ^\}\}$      # '}}'Lignes se terminant par
        """,
        re.MULTILINE | re.DOTALL | re.VERBOSE,
    )

    return re.findall(pattern, string)[0]


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

    RE:
        - re.X (re.VERBOSE)     Allow us add command to explain the regular expression
        - re.M (re.MULTILINE)   Apply match to each line. If not specified, only match the first line.
        - re.S (re.DOTALL)      Allow to recognize '\n'
        - ^\|       String begin with |
        - ?         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>'

        - (...)     Matches whatever regular expression is inside the parentheses,
        - (?=...)   Matches if ... matches next, but doesn’t consume any of the string. This is called a lookahead assertion.
                    For example, Isaac (?=Asimov) will match 'Isaac ' only if it’s followed by 'Asimov'.
        - (?:...)   A non-capturing version of regular parentheses.

    Input:
        - '|Lien de l'emblème national=（[[Emblème national britannique|emblème national]]）'
    Return:
        - {'Lien de l'emblème national': '（[[Emblème national britannique|emblème national]]）'}
    """
    pattern = re.compile(
        r"""
            ^\|         # '|'Lignes commençant par
            (.+?)       #Cible de capture (nom du champ), un ou plusieurs caractères, non gourmand
            \s*         #0 ou plusieurs caractères vides
            =
            \s*         #0 ou plusieurs caractères vides
            (.+?)       #Capturer la cible (valeur), un ou plusieurs caractères, non gourmand
            (?:         #Démarrer un groupe qui n'est pas capturé
                (?=\n\|)    #nouvelle ligne+'|'Avant (anticipation affirmative)
                |           #Ou
                (?=\n$)     #nouvelle ligne+Avant la fin (anticipation affirmative)
            )           #Fin du groupe
            """,
        re.MULTILINE | re.DOTALL | re.VERBOSE,
    )
    result = re.findall(pattern, string)
    return {k: v for k, v in result}  # dict is ordered when using python 3.7


def remove_markup(target: str) -> str:
    # ans26
    # Remvoe highlight markup
    #Utilisation de la "Grande-Bretagne" pour remplacer "'''Grande Bretagne'''」
    pattern1 = re.compile(
        r"""
            (\'{2,5})   #2-5'(Début du balisage)
            (.*?)       #Un ou plusieurs caractères (chaîne de caractères cible)
            (\1)        #Identique à la première capture (fin du balisage)
        """,
        re.MULTILINE | re.VERBOSE,
    )
    target = re.sub(pattern1, r"\2", target)

    # and27
    # Remove link markup
    """
    [[Londres]] -> Londres
    [[Premier ministre britannique|premier ministre]] -> premier ministre
    [[Fichier:Royal Coat of Arms of the United Kingdom.svg|85px|Emblème national britannique]] -> Emblème national britannique

    [] -> Used to indicate a set of characters. [(+*)] will match any of the literal characters '(', '+', '*', or ')'.
    """
    pattern2 = re.compile(
        r"""
            \[\[        # '[['(Début du balisage)
            (?:         #Démarrer un groupe qui n'est pas capturé
                [^|]*?  # '|'0 ou plus de caractères autres que, non gourmand
                \|      # '|'
            )*?          #Le groupe est égal ou supérieur à 0, non gourmand
            ([^|]*?)    #Capturer la cible,'|'Autre que 0 caractère, non gourmand (chaîne de caractères à afficher)
            \]\]        # ']]'(Fin du balisage)
        """,
        re.MULTILINE | re.VERBOSE,
    )
    target = re.sub(pattern2, r"\1", target)

    return target


# and20
uk_text = get_uk_text("jawiki-country.json")  # See uk_text.txt

# ans25
basic_info = get_basic_info(uk_text)
fields = get_content(basic_info)  # See 25_en_basic_info.json

# ans26, and27
result = {k: remove_markup(v) for k, v in fields.items()}  # See 26_no_markup.json
# "Image de l'emblème national": "[[Fichier:Royal Coat of Arms of the United Kingdom.svg|85px|Emblème national britannique]]",
print(result["Image de l'emblème national"])
utils.save_json(result, "27_no_link.json")


# Test for 27
data = [
    ("[[Londres]]", "Londres"),
    ("[[Premier ministre britannique|premier ministre]]", "premier ministre"),
    ("[[Fichier:Royal Coat of Arms of the United Kingdom.svg|85px|Emblème national britannique]]", "Emblème national britannique"),
    (
        "{{lang|fr|[[Dieu et mon droit]]}}<br />（[[français]]:[[Dieu et mon droit|Dieu et mes droits]]）",
        "{{lang|fr|Dieu et mon droit}}<br />(Français:Dieu et mes droits)",
    ),
]


pattern2 = re.compile(
    r"""
            \[\[        # '[['(Début du balisage)
            (?:         #Démarrer un groupe qui n'est pas capturé
                [^|]*?  # '|'0 ou plus de caractères autres que, non gourmand
                \|      # '|'
            )*?          #Le groupe est égal ou supérieur à 0, non gourmand
            ([^|]*?)    #Capturer la cible,'|'Autre que 0 caractère, non gourmand (chaîne de caractères à afficher)
            \]\]        # ']]'(Fin du balisage)
        """,
    re.MULTILINE | re.VERBOSE,
)

for target, answer in data:
    assert answer == re.sub(pattern2, r"\1", target)