Sekundärliteratur aus Word geparst

This commit is contained in:
Simon Martens
2023-02-06 16:00:47 +01:00
parent 8362c5988d
commit 5874fdc0e2
762 changed files with 8042 additions and 15 deletions

View File

@@ -3,11 +3,9 @@ using System.Text;
using System.Text.RegularExpressions;
using System.Xml.Linq;
var _ = new SekundaerLiteraturParser("./old_data/sekundaer.xml");
var _2 = new Parser("./old_data/postumeausgabe.xml", "Jahr");
var _3 = new Parser("./old_data/selbstdruckelebzeiten.xml", "Jahr");
var _4 = new Parser("./old_data/unselbstdruckelebzeiten.xml", "Werk");
var _5 = new Parser("./old_data/uebersetzungen.xml", "Sprache");
var _ = new NeueSekLitParser("./old_data/sekn.xml");
static class Helpers {
public static XDocument ParseFile(string filepath) {
@@ -191,19 +189,18 @@ class Parser {
}
class HandschriftenParser {
class NeueSekLitParser {
private string filepath;
private string catname;
private string filename;
private XDocument document;
private string? Jahreszahl;
private string? Name;
private List<(string Jahr, string Name, string Text, string Sort)> ParsedFiles;
private StringBuilder? CurrentText;
public HandschriftenParser(string filepath, string catname) {
public NeueSekLitParser(string filepath) {
this.filepath = filepath;
this.catname = catname;
this.filename = filepath.Split("/").Last();
this.ParsedFiles = new List<(string Jahr, string Name, string Text, string Sort)>();
if (Directory.Exists("./output/" + filename)) Directory.Delete("./output/" + filename, true);
@@ -211,7 +208,7 @@ class HandschriftenParser {
this.document = Helpers.ParseFile(filepath);
this.CurrentText = new StringBuilder();
foreach (var element in document.Descendants()) {
if (Helpers.HasClass("Jahreszahl", element)) {
if (element.Name == "h1") {
if (Jahreszahl != null) InsertInto();
this.Jahreszahl = element.Value.Trim();
}
@@ -219,6 +216,12 @@ class HandschriftenParser {
if (CurrentText.Length != 0) {
InsertInto();
}
if (element.Descendants("b").Any()) {
char[] totrim = { '[', ']', ':', ',' };
var name = element.Descendants("b").First().Value.Trim();
this.Name = name.TrimEnd(totrim).TrimStart(totrim);
}
CurrentText.Append(element.ToString());
}
if (Helpers.HasClass("Kommentar", element)) {
@@ -230,14 +233,16 @@ class HandschriftenParser {
}
private void InsertInto() {
var similarentries = ParsedFiles.Where(x => x.Jahr == Jahreszahl).ToList();
var similarentries = ParsedFiles.Where(x => x.Jahr == Jahreszahl && x.Name == Name).ToList();
if (!similarentries.Any()) {
ParsedFiles.Add((Jahreszahl, string.Empty, CurrentText.ToString(), "1"));
ParsedFiles.Add((Jahreszahl, Name, CurrentText.ToString(), "1"));
}
else {
var fe = similarentries[0];
fe.Sort = "1";
ParsedFiles.Add((
Jahreszahl,
string.Empty,
Name,
CurrentText.ToString(),
(similarentries.Count() + 1).ToString()
));
@@ -250,9 +255,11 @@ class HandschriftenParser {
foreach (var entry in this.ParsedFiles) {
var sb = new StringBuilder();
var fn = "./output/" + filename + "/";
fn += Helpers.ReplaceWhiteSpaces(entry.Jahr, "-") + "_" + entry.Sort + ".html";
if (String.IsNullOrWhiteSpace(entry.Sort)) fn += entry.Jahr + "_" + entry.Name + ".html";
else fn += entry.Jahr + "_" + entry.Name + "_" + entry.Sort + ".html";
sb.AppendLine("---");
sb.AppendLine(this.catname + ": " + entry.Jahr);
sb.AppendLine("Jahr: " + entry.Jahr);
sb.AppendLine("Autor: " + entry.Name);
if (!String.IsNullOrWhiteSpace(entry.Sort)) sb.AppendLine("Sort: " + entry.Sort);
sb.AppendLine("---");
if (File.Exists(fn)) {