Subversion Repositories eFlore/Projets.eflore-projets

Rev

Rev 437 | Rev 470 | Go to most recent revision | Blame | Compare with Previous | Last modification | View Log | RSS feed

<?php
// commande : /opt/lampp/bin/php cli.php description_sp -a tester -n /home/jennifer/Tela-botanica_projets/Coste/descriptions/html
class Description {

        const DOSSIER_V0 = '../../../donnees/coste/0.00/';
        const DOSSIER_DSC_HTML = '../../../donnees/coste/descriptions/html/';
        const DOSSIER_DSC_TXT = '../../../donnees/coste/descriptions/txt/';
        const DOSSIER_LOG = 'log/';

        private $atueurs = array();
        private $dossierBase = '';
        private $conteneur = null;
        private $outils = null;
        private $messages = null;
        private $action = '';
        private $nomFichier = '';
        private $nomDossier = '';
        private $listeFichiers = array();
        private $fichierNum = '';
        private $fichier = '';
        private $log = '';
        private $correspondance = array();
        private $infosCorrespondanceBase = array(
                'nom_sci' => '',
                'auteur' => '',
                'nom_addendum' => '',
                'annee' => '',
                'biblio_origine' => '',
                'rang' => 290,
                'nom_francais' => '',
                'nom_coste' => '',
                'auteur_coste' => '',
                'biblio_coste' => '',
                'num_nom_coste' => '',
                'num_nom_retenu_coste' => '',
                'num_tax_sup_coste' => '',
                'tome' => '',
                'page' => '',
                'synonymie_coste' => '',
                'bdnff_nn' => '',
                'bdnff_nt' => '');

        public function __construct(Conteneur $conteneur) {
                mb_internal_encoding('UTF-8');
                setlocale(LC_ALL, 'fr_FR.UTF-8');
                $this->conteneur = $conteneur;
                $this->outils = $conteneur->getOutils();
                $this->messages = $conteneur->getMessages();
                $this->dossierBase = dirname(__FILE__).'/';
        }

        public function genererDescriptionTxt() {
                $this->chargerFichiers();

                foreach ($this->listeFichiers as $this->fichierNum => $this->fichier) {
                        $this->messages->afficherAvancement("Création des descriptions au format txt");
                        $this->genererFichier();
                }
                echo "\n";
        }

        public function verifierDescriptionTxt() {
                $this->chargerFichiers();

                foreach ($this->listeFichiers as $this->fichierNum => $this->fichier) {
                        $this->messages->afficherAvancement("Analyse des descriptions");
                        $this->verifierFichier();
                }
                echo "\n";
                $this->ecrireLogs();
        }

        public function genererCorrespondance() {
                $this->chargerFichiers();

                $this->ajouterLogSyno(implode("\t", array_keys($this->infosCorrespondanceBase)));
                foreach ($this->listeFichiers as $this->fichierNum => $this->fichier) {
                        $this->messages->afficherAvancement("Création du fichier de correspondance");
                        $this->extraireInfosCorrespondance();
                }
                echo "\n";

                $fichierTxt = $this->dossierBase.self::DOSSIER_V0.'index_general_sp.tsv';
                $txtCorrespondance = $this->creerFichierCsvCorrespondance();
                file_put_contents($fichierTxt, $txtCorrespondance);

                ksort($this->auteurs);
                foreach ($this->auteurs as $auteur => $nbre) {
                        $this->ajouterLogAuteur("$auteur\t$nbre");
                }

                $this->ecrireLogs();
        }

        private function chargerFichiers() {
                $this->nomDossier = $this->dossierBase.self::DOSSIER_DSC_HTML;
                if (file_exists($this->nomDossier) === true) {
                        if (is_dir($this->nomDossier)) {
                                if ($dossierOuvert = opendir($this->nomDossier)) {
                                        while (($this->nomFichier = readdir($dossierOuvert)) !== false) {
                                                if (! is_dir($this->nomFichier) && preg_match('/e([0-9]{4})\.htm/', $this->nomFichier, $match)) {
                                                        $this->listeFichiers[$match[1]] = $this->nomDossier.'/'.$this->nomFichier;
                                                }
                                        }
                                        closedir($dossierOuvert);
                                } else {
                                        $this->messages->traiterErreur("Le dossier {$this->nomDossier} n'a pas pu être ouvert.");
                                }
                        } else {
                                $this->messages->traiterErreur("{$this->nomDossier} n'est pas un dossier.");
                        }
                } else {
                        $this->messages->traiterErreur("Le dossier {$this->nomDossier} est introuvable.");
                }

                asort($this->listeFichiers);
        }

        private function verifierFichier() {
                $donnees = $this->analyserFichier();
                $txt = $donnees['texte'];
                $this->verifierOuvertureFermetureBalise($txt);
                $this->verifierAbscenceEgale($txt);
                $this->verifierNumero($txt);
                // TODO : vérifier les noms vernauclaire qui sont abrégés
        }

        private function verifierOuvertureFermetureBalise($txt) {
                $b_ouvert = substr_count($txt, '<B>');
                $b_ferme = substr_count($txt, '</B>');
                if ($b_ouvert != $b_ferme) {
                        $message = "{$this->fichierNum} contient $b_ouvert balises B ouvertes et $b_ferme fermées";
                        $this->ajouterLogAnalyse($message);
                }
                $i_ouvert = substr_count($txt, '<I>');
                $i_ferme = substr_count($txt, '</I>');
                if ($i_ouvert != $i_ferme) {
                        $message = "{$this->fichierNum} contient $i_ouvert balises I ouvertes et $i_ferme fermées";
                        $this->ajouterLogAnalyse($message);
                }
        }

        private function verifierAbscenceEgale($txt) {
                if (strripos($txt, '=') === false) {
                        $message = "{$this->fichierNum} ne contient pas le séparateur de phénologie (=)";
                        $this->ajouterLogAnalyse($message);
                }
        }

        private function verifierNumero($txt) {
                if (preg_match('/^<B>[0-9]{1,4}. – /', $txt) == 0) {
                        $message = "{$this->fichierNum} ne contient pas un numéro bien formaté";
                        $this->ajouterLogAnalyse($message);
                }
        }

        private function extraireInfosCorrespondance() {
                $donnees = $this->analyserFichier();
                $infos = $this->infosCorrespondanceBase;

                $titre = $donnees['titre'];
                if (preg_match('/^Coste ([0-9]+) - ((?:(?! - ).)+) - F[0-9]+, (?:(?! - ).)+ - (G[0-9]+), T([123])[.]p([0-9]+)$/', $titre, $match)) {
                        $infos['num_nom_coste'] = $match[1];
                        $infos['num_nom_retenu_coste'] = $match[1];
                        $infos['nom_sci'] = $match[2];
                        $infos['num_tax_sup_coste'] = $match[3];
                        $infos['tome'] = $match[4];
                        $infos['page'] = $match[5];
                } else {
                        $this->messages->traiterErreur("Le titre du fichier {$this->fichierNum} est mal formaté.");
                }

                $corres = $donnees['correspondance'];
                if (preg_match('/^Bdnff ([0-9]+) - (?:(?! - ).)+ - (?:(?! - ).)+ - Tax=([0-9]+)$/', $corres, $match)) {
                        $infos['bdnff_nn'] = $match[1];
                        $infos['bdnff_nt'] = $match[2];
                } else {
                        $this->messages->traiterErreur("La correspondance du fichier {$this->fichierNum} est mal formatée.");
                }

                $txt = $donnees['texte'];
                $txt = $this->corrigerDescription($txt);
                if (preg_match('/^<B>[0-9]{1,4}[.] – ([^<]+)<\/B> ([^–]*)– (?:<I>([^<]+)<\/I>[.] – |<I>([^<]+)<\/I>( \([^)]+\))[.] – |[A-Z]|<I>(?:Sous-|Espèce|Turion|Souche|Plante|Feuille|Racine))/u', $txt, $match)) {
                        $infos['nom_coste'] = trim($match[1]);
                        $infos['rang'] = $this->obtenirRangNom($infos['nom_coste']);
                        $infos['auteur_coste'] = trim($match[2]);
                        $infos['nom_francais'] = isset($match[3]) ? $match[3] : '';
                        $infos['nom_francais'] = isset($match[4]) && isset($match[5]) ? $match[4].$match[5] : $infos['nom_francais'];
                        if (strpos($infos['auteur_coste'], '(' ) !== false) {
                                if (preg_match('/^([^(]*)\(([^)]+)\)(?:[.]?| ; ((?:(?! – ).)+))$/', $infos['auteur_coste'], $match)) {
                                        $infos['auteur_coste'] = $this->traiterAuteur(trim($match[1]));
                                        $infos['auteur'] = $this->normaliserAuteur($infos['auteur_coste']);
                                        $parentheseContenu = trim($match[2]);
                                        if (preg_match('/^[0-9]+$/', $parentheseContenu)) {
                                                $infos['annee'] = $parentheseContenu;
                                        } else {
                                                $infos['synonymie_coste'] = $parentheseContenu;
                                                $infos['biblio_coste'] = isset($match[3]) ? trim($match[3]) : '';
                                        }
                                } else {
                                        $this->messages->traiterErreur("L'auteur du nom sciencitifique du fichier {$this->fichierNum} est mal formaté.");
                                }
                        }
                } else {
                        $this->messages->traiterErreur("La texte du fichier {$this->fichierNum} est mal formaté.");
                }

                $this->correspondance[] = $infos;

                if ($infos['synonymie_coste'] != '') {
                        $this->traiterSynonymie($infos);
                }
        }

        private function normaliserAuteur($auteurCoste) {
                $auteur = '';
                if ($auteurCoste != '') {
                        $auteur = str_replace(' et ', ' & ', $auteurCoste);
                }
                return $auteur;
        }

        private function traiterSynonymie($infos) {
                $synoCoste = $infos['synonymie_coste'];
                $synoCoste = preg_replace('/^et /', '', $synoCoste);
                $synoCoste = preg_replace('/^(([A-Z][.]|[A-Z]{3,}) [A-Z]{3,}(?:(?! et ).+)) et ([A-Z]{3,}) ((?![A-Z]{3,}).+)$/', '$1 ; $2 $3 $4', $synoCoste);
                $synoCoste = preg_replace('/ et ((?:[A-Z][.]|[A-Z]{3,}) [A-Z]{3,})/', ' ; $1', $synoCoste);
                $synoCoste = preg_replace('/, ((?:(?!non |part[.]|an |G[.] G[.]|part[.]|centr[.])[^,]+))/', ' ;$1', $synoCoste);

                $synonymes = explode(';', $synoCoste);

                foreach ($synonymes as $num => $syno) {
                        $synoTraite = $this->traiterNomSyno($syno);
                        $nomSci = $this->obtenirNomSci($synoTraite, $infos, $synonymes, $num);
                        $rang = $this->obtenirRangNom($nomSci);
                        $complementNom = $this->obtenirComplementNom($synoTraite);
                        $auteurCoste = $this->obtenirAuteur($complementNom);
                        $auteur = $this->normaliserAuteur($auteurCoste);
                        $this->ajouterAuteur($auteur);
                        $biblioCoste = $this->obtenirBiblio($complementNom);
                        $annee = $this->extraireAnnee($complementNom);

                        $infosSyno = $this->infosCorrespondanceBase;
                        $infosSyno['nom_sci'] = $nomSci;
                        $infosSyno['auteur'] = $auteur;
                        $infosSyno['biblio_origine'] = $biblioCoste;
                        $infosSyno['annee'] = $annee;
                        $infosSyno['nom_addendum'] =  $this->obtenirNomAddendum($syno);

                        $infosSyno['rang'] = $rang;
                        $infosSyno['nom_coste'] = $synoTraite;
                        $infosSyno['auteur_coste'] = $auteurCoste;
                        $infosSyno['biblio_coste'] =  $biblioCoste;
                        $infosSyno['num_nom_coste'] = $infos['num_nom_coste'].'.'.($num + 1);
                        $infosSyno['num_nom_retenu_coste'] = $infos['num_nom_coste'];
                        $this->ajouterLogSyno(implode("\t", $infosSyno));
                        $this->correspondance[] = $infosSyno;
                }
        }

        private function traiterNomSyno($syno) {
                $syno = $this->nettoyerEspacesNomSyno($syno);
                $syno = preg_replace('/^(?:avec|(?:compr|incl)[.]) /', '', $syno);
                return $syno;
        }

        private function nettoyerEspacesNomSyno($syno) {
                $syno = trim($syno);
                $syno = trim($syno, ' ');
                return $syno;
        }

        private function obtenirComplementNom($syno) {
                $complementNom = '';
                if (preg_match('/^(?:[^ ]+ [^ ]+ (?:(?:var|V)[.] [^ ]+|STELATUM|MINUS)|[^ ]+ [^ ]+) (.+)$/', $syno, $match)) {
                        $complementNom = $match[1];
                }
                return $complementNom;
        }

        private function obtenirBiblio($complementNom) {
                $biblioCoste = '';
                if (preg_match("/ (p[.] [0-9]{1,}|in .+||Fl[.] fr[.]|(?: Sp[.])? ed[.] [1-2])$/", $complementNom, $match)) {
                        $biblioCoste = $match[1];
                }
                return $biblioCoste;
        }

        private function extraireAnnee($complementNom) {
                $annee = '';
                if (preg_match('/(?:^| )([0-9]+)$/', $complementNom, $match)) {
                        $annee = $match[1];
                }
                return $annee;
        }

        private function obtenirAuteur($complementNom) {
                $auteurCoste = '';
                if ($complementNom != '') {
                        if (preg_match("/^((?!(?:auct.+|(?:, )?(?:non|an) .+|p[.] p[.])$).+)$/", $complementNom, $match)) {
                                $auteurCoste = $this->traiterAuteur($match[1]);
                        } else {
                                $message = "Impossible de récupérer l'auteur pour le complément de nom ($complementNom).";
                                $this->ajouterLogProbleme($message);
                        }
                }
                return $auteurCoste;
        }

        private function traiterAuteur($auteurCoste) {
                $auteur = '';
                if ($auteurCoste != '') {
                        $remplacementTxt = array(' p. p.', ' saltem part.', 'Fl. fr.');
                        $auteurCoste = str_replace($remplacementTxt, '', $auteurCoste);
                        $remplacementsRegExp = array(
                                ' [0-9]{4}',
                                '[^ ]+ et auct[.], .+',
                                ' auct.+',
                                ',? part[.]',
                                ' p[.] [0-9]{1,}',
                                ' in .+|,? (?:non|an) .+',
                                '(?: Sp[.])? ed[.] [1-2]');
                        $auteur = preg_replace('/(?:'.implode('|', $remplacementsRegExp).')$/', '', $auteurCoste);
                }
                return $auteur;
        }

        private function ajouterAuteur($auteur) {
                if (!isset($this->auteurs[$auteur])) {
                        $this->auteurs[$auteur] = 1;
                } else {
                        $this->auteurs[$auteur]++;
                }
        }

        private function obtenirNomAddendum($syno) {
                $syno = $this->nettoyerEspacesNomSyno($syno);
                $nomAddendum = array();
                if (preg_match('/^((?:compr|incl)[.]) /', $syno, $match)) {
                        $nomAddendum[] = '['.$match[1].']';
                }
                if (preg_match('/ ([^ ]+ et auct[.], .+)$/', $syno, $match)) {
                        $nomAddendum[] = '['.$match[1].']';
                } elseif (preg_match('/ (auct[.],? .+)$/', $syno, $match)) {
                        $nomAddendum[] = '['.$match[1].']';
                } else if (preg_match('/,? ((?:non|an) .+)$/', $syno, $match)) {
                        $nomAddendum[] = '['.$match[1].']';
                } else if (preg_match('/ (p[.] p[.])$/', $syno, $match)) {
                        $nomAddendum[] = '['.$match[1].']';
                } else if (preg_match('/ (saltem part[.])$/', $syno, $match)) {
                        $nomAddendum[] = '['.$match[1].']';
                } else if (preg_match('/,? (part[.])$/', $syno, $match)) {
                        $nomAddendum[] = '['.$match[1].']';
                }

                $nomAddendum = implode(' ; ', $nomAddendum);
                return $nomAddendum;
        }

        private function remplacerAbreviationGenre($syno, $infos, $synonymes, $num) {
                $nomSci = $syno;

                if (preg_match('/^(([A-Zƌ])[.]) /', $syno, $matchSyno)) {
                        if ($matchSyno[2] == substr($infos['nom_coste'], 0, 1)) {
                                if (preg_match('/^([^ ]+) /', $infos['nom_coste'], $matchNomRetenu)) {
                                        $nomSci = str_replace($matchSyno[1], $matchNomRetenu[1], $syno);
                                }
                        } else {
                                $synoPrecedent = $this->obtenirSynoAvecGenreComplet($synonymes, $num);

                                if ($matchSyno[2] == substr($synoPrecedent, 0, 1)) {
                                        if (preg_match('/^([^ ]+) /', $synoPrecedent, $matchSynoPrec)) {
                                                $nomSci = str_replace($matchSyno[1], $matchSynoPrec[1], $syno);
                                        }
                                } else {
                                        $message = "L'initiale du synonyme ($syno) ne correspondant pas au nom retenu {$infos['num_nom_coste']} ({$infos['nom_coste']}) ".
                                                        "ni au synonyme précédent ($synoPrecedent).";
                                        $this->ajouterLogProbleme($message);
                                }
                        }
                }
                return $nomSci;
        }

        private function obtenirSynoAvecGenreComplet($synonymes, $num) {
                $synoPrecedent = '';
                $synoOk = false;
                while ($synoOk == false) {
                        if ($num < 0) {
                                $synoOk = true;
                        }
                        $synoPrecedent = $this->obtenirSynoPrecedent($synonymes, $num);
                        if (preg_match('/^[A-Zƌ][.] /', $synoPrecedent)) {
                                $num = $num - 1;
                        } else {
                                $synoOk = true;
                        }
                }
                return $synoPrecedent;
        }

        private function obtenirSynoPrecedent($synonymes, $num) {
                $synoPrecedent = '';
                if (isset($synonymes[($num - 1 )])) {
                        $synoPrecedent = $this->traiterNomSyno($synonymes[($num - 1 )]);
                }
                return $synoPrecedent;
        }


        private function obtenirNomSci($syno, $infos, $synonymes, $num) {
                $nomSci = $this->remplacerAbreviationGenre($syno, $infos, $synonymes, $num);

                if (preg_match('/^([^ ]+) ([^ ]+) (?:(?:var|V)[.] ([^ ]+)|(STELATUM||MINUS) )/', $nomSci, $match)) {
                        $genre = $this->normaliserGenre($match[1]);
                        $sp = $this->normaliserEpithete($match[2]);
                        $infrasp = isset($match[4]) ? $match[4] : $match[3];
                        $infrasp = $this->normaliserEpithete($infrasp);
                        $nomSci = "$genre $sp var. $infrasp";
                } else if (preg_match('/^([^ ]+) ([^ ]+)(?: |$)/', $nomSci, $match)) {
                        $genre = $this->normaliserGenre($match[1]);
                        $sp = $this->normaliserEpithete($match[2]);
                        $nomSci = "$genre $sp";
                } else {
                        $message = "Le synonyme ($nomSci) du nom {$infos['num_nom_coste']} a une structure étrange.";
                        $this->ajouterLogProbleme($message);
                }
                return $nomSci;
        }

        private function normaliserGenre($genre) {
                $genre = mb_convert_case(mb_strtolower($genre), MB_CASE_TITLE);
                $genre = str_replace('Æ', 'æ', $genre);
                return $genre;
        }

        private function normaliserEpithete($sp) {
                $sp = mb_strtolower($sp);
                $sp = str_replace('Æ', 'æ', $sp);
                return $sp;
        }

        private function obtenirRangNom($syno) {
                $rang = 290;
                if (strpos($syno, ' var. ')) {
                        $rang = 340;
                }
                return $rang;
        }

        private function creerFichierCsvCorrespondance() {
                $lignes[] = implode("\t", array_keys($this->infosCorrespondanceBase));
                foreach ($this->correspondance as $infos) {
                        $lignes[] = implode("\t", $infos);
                }

                $txt = '';
                $txt = implode("\n", $lignes);
                return $txt;
        }

        private function genererFichier() {
                $donnees = $this->analyserFichier();

                $txt = $this->nettoyerDescription($donnees['texte']);
                $txt = $this->corrigerDescription($txt);
                $txt = $this->remplacerHtmlParSyntaxeWiki($txt);
                $fichierTxt = $this->dossierBase.self::DOSSIER_DSC_TXT.$this->fichierNum.'.txt';
                file_put_contents($fichierTxt, $txt);

                unset($donnees['texte']);
                $txt = implode("\n", $donnees);
                $fichierTxt = $this->dossierBase.self::DOSSIER_DSC_TXT.$this->fichierNum.'.json';
                file_put_contents($fichierTxt, $txt);
        }

        private function analyserFichier() {
                $donnees = array('titre' => '', 'texte' => '', 'correspondance' => '');
                if ($fichierOuvert = fopen($this->fichier, 'r')) {
                        $i = 1;
                        while ($ligne = fgets($fichierOuvert)) {
                                if ($i == 24) {
                                        $donnees['titre'] = $this->supprimerHtml($ligne);
                                } elseif ($i >= 45 && $i <= 60) {
                                        $donnees['texte'] .= $this->traiterLigneDescription($ligne);
                                } elseif ($i >= 61 && preg_match('/Bdnff /ui', $ligne)) {
                                        $donnees['correspondance'] = $this->supprimerHtml($ligne);
                                }
                                $i++;
                        }
                        fclose($fichierOuvert);
                } else {
                        $this->messages->traiterErreur("Le fichier {$this->fichier} n'a pas pu être ouvert.");
                }
                return $donnees;
        }

        private function supprimerHtml($txt) {
                $txt = strip_tags($txt,'<b>,<i>');
                $txt = str_replace('&#173;', '', $txt);
                $txt = str_ireplace('&nbsp;', ' ', $txt);
                $txt = trim($txt);
                $txt = preg_replace('/^<\/I>/', '', $txt);
                $txt = html_entity_decode($txt, ENT_NOQUOTES, 'UTF-8');
                return $txt;
        }

        private function traiterLigneDescription($txt) {
                $txt = $this->supprimerHtml($txt);
                $txt = $txt."\n";
                return $txt;
        }

        private function nettoyerDescription($txt) {
                $txt = preg_replace("/\n{2,}+/", "\n", $txt);
                $txt = trim($txt);
                return $txt;
        }

        private function corrigerDescription($txt) {
                $txt = preg_replace("/– <I>([^.]+?)[.] – <\/I>/", "– <I>$1</I>. – ", $txt);
                $txt = preg_replace("/– <I>([^.]+?)[.] – ([A-Z])<\/I>/", "– <I>$1</I>. – $2", $txt);
                $txt = preg_replace("/– <I>([^.]+?) – <\/I>/", "– <I>$1</I>. – ", $txt);
                return $txt;
        }

        private function remplacerHtmlParSyntaxeWiki($txt) {
                $txt = str_replace(array('<B>', '</B>'), '**', $txt);
                $txt = str_replace(array('<I>', '</I>'), '//', $txt);
                return $txt;
        }

        private function ajouterLogAnalyse($txt) {
                if (isset($this->log['analyse']) == false) {
                        $this->log['analyse'] = '';
                }
                $this->log['analyse'] .= "$txt\n";
        }

        private function ajouterLogSyno($txt) {
                if (isset($this->log['synonymes']) == false) {
                        $this->log['synonymes'] = '';
                }
                $this->log['synonymes'] .= "$txt\n";
        }

        private function ajouterLogAuteur($txt) {
                if (isset($this->log['auteurs']) == false) {
                        $this->log['auteurs'] = '';
                }
                $this->log['auteurs'] .= "$txt\n";
        }

        private function ajouterLogProbleme($txt) {
                if (isset($this->log['problemes']) == false) {
                        $this->log['problemes'] = '';
                }
                $this->log['problemes'] .= "$txt\n";
        }

        private function ecrireLogs() {
                foreach ($this->log as $nom => $log) {
                        $fichier = $this->dossierBase.self::DOSSIER_LOG.$nom.'.log';
                        file_put_contents($fichier, $log);
                }
        }
}
?>