forked from autoresar/autores
/
autores.py
executable file
·423 lines (380 loc) · 20.7 KB
/
autores.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""autores.py
Extrae la información de autores del "Breve diccionario biográfico de
autores argentinos: desde 1940" en breve_diccionario.hocr.
Copyright (C) 2016 Proyecto autores.ar
This program is free software: you can redistribute it and/or modify
it under the terms of the GNU General Public License as published by
the Free Software Foundation, either version 3 of the License, or
(at your option) any later version.
This program is distributed in the hope that it will be useful,
but WITHOUT ANY WARRANTY; without even the implied warranty of
MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
GNU General Public License for more details.
You should have received a copy of the GNU General Public License
along with this program. If not, see <http://www.gnu.org/licenses/>.
"""
import re
import sys
import pdb
import difflib
import csv
import unicodedata
import os
if len(sys.argv) < 3:
print('Modo de uso:\n'
'\tautores.py FUENTE RESULTADOS\n\n'
'FUENTE: archivo hocr devuelto por el motor OCR\n'
'RESULTADOS: nombre del archivo csv donde se escribirán los '
'resultados')
sys.exit()
ocr = sys.argv[1]
resultados = sys.argv[2]
if os.path.isfile(resultados):
opcion = input(resultados + ' ya existe. ¿Desea sobreescribirlo? (s/n): ')
if opcion.lower() != 's':
sys.exit()
primera_pagina = 17
discip_predet = 'Escritura' # establece la disciplina predeterminada de la referencia
# establece el nombre de la fuente procesada:
fuente = 'Breve diccionario biográfico de autores argentinos desde 1940. 1999'
f = open(ocr, 'rU')
hocr = f.read()
f.close()
# cada clave de 'rasgos' es uno de los rasgos separados por comas obtenidos de
# la primera oración de la biografía del autor, y que fueron volcados al archivo
# 'disciplinas.csv'. El valor de cada uno de estos rasgos es una lista de
# disciplinas y subdisciplinas que le corresponden.
rasgos = {}
with open('disciplinas.csv') as csvfile:
csvreader = csv.reader(csvfile, delimiter=',', quotechar='"')
discip_opc = next(csvreader)[2:-1]
for linea in csvreader:
rasgos[linea[0]] = []
for num, opcion in enumerate(linea[2:-1]):
if int(opcion):
rasgos[linea[0]].append(discip_opc[num])
def transformarRasgo(rasgo):
"""Transforma los rasgos obtenidos de la primera oración de la biografía
del autor pasando todo a minúscula y unificando por género."""
rasgo = rasgo.lower()
# siguiendo las reglas en http://lema.rae.es/dpd/srv/search?id=Tr5x8MFOuD6DVTlDBg,
# unifica la primera palabra de la disciplina a un único género
rasgo = re.sub(r'^(\w*\s\w*)o\b', '\g<1>a', rasgo) # todas las segundas palabras terminadas en "o" se suponen adjetivos masculinos y se pasan a femenino
rasgo = re.sub(r'^(\w*)o\b', '\g<1>a', rasgo) # todas las primeras palabras terminadas en "o" se suponen sustantivos masculinos y se pasan a femenino
rasgo = re.sub(r'^(\w*)(ora|riz)\b', '\g<1>or', rasgo) # todas las primeras palabras terminadas en "ora" o en "riz" se suponen sustantivos femeninos y se pasan a masculino
rasgo = re.sub(r'^(\w*or\s\w*)a\b', '\g<1>o', rasgo) # todas las segundas palabras terminadas en "a" precedidas por palabras terminadas en "or", se suponen adjetivos femeninos y se pasan a masculino
return rasgo
def obtenerDisciplinas(lista_rasgos, disciplina_predeterminada):
"""A partir de una lista de rasgos, devuelve una cadena separada por barras
verticales de disciplinas y una de subdisciplinas"""
obs = 0 # indicador de observado; se enciende cuando un rasgo no tiene disciplinas asociadas
empty = 0 # indicador de vacío; se enciende cuando ninguno de los rasgos tiene disciplinas asociadas
mi_lista = [] # lista de disciplinas y subdisciplinas
mis_disciplinas = set()
mis_subdiscip = set()
for rasgo in lista_rasgos:
rasgo = transformarRasgo(rasgo)
tmp = rasgos[rasgo] # este paso traduce el rasgo en disciplina/subdisciplina
mi_lista += tmp
mi_lista = set(mi_lista)
if 'REVISAR' in mi_lista:
mi_lista.remove('REVISAR')
obs = 1
for elemento in mi_lista:
mis_disciplinas.add(elemento.split(': ')[0])
if elemento.split(': ')[1]:
mis_subdiscip.add(elemento.split(': ')[1])
if not mi_lista:
empty = 1
mis_disciplinas.add(disciplina_predeterminada)
mis_disciplinas = '|'.join(mis_disciplinas)
mis_subdiscip = '|'.join(mis_subdiscip)
if not mis_disciplinas:
mis_disciplinas = 'ERR: sin disciplinas asociadas'
elif empty:
mis_disciplinas = 'DEF: ' + mis_disciplinas
elif obs:
mis_disciplinas = 'OBS: ' + mis_disciplinas
return (mis_disciplinas, mis_subdiscip)
def confianzaMinima(posicion_inicial, posicion_final, diccionario_confianza):
"""Devuelve la confianza media de las palabras en el rango dado por
posicion_inicial : posicion_final."""
lista_posiciones = sorted(diccionario_confianza.keys())
if not posicion_inicial in lista_posiciones:
posicion_inicial = [p for p in lista_posiciones if p < posicion_inicial][-1]
indice_posicion_inicial = lista_posiciones.index(posicion_inicial)
valores_confianza = []
for posicion in lista_posiciones[indice_posicion_inicial:]:
if not posicion > posicion_final:
valores_confianza.append(diccionario_confianza[posicion])
confianza_minima = min(valores_confianza)
return confianza_minima
def validar_lugar(sitio, provincias, capitales, paises):
# sustituye "Buenos Aires" por CABA:
if difflib.SequenceMatcher(None, sitio, 'Buenos Aires').ratio() > .7:
if sitio == 'Buenos Aires':
sitio_valido = 'Capital Federal'
else:
sitio_valido = 'OBS: ' + sitio
else:
# elimina fragmento 'Provincia de ':
sitio = re.sub(r'^Provincia\s*De\s*', '', sitio, flags=re.IGNORECASE)
umbral = .8
if difflib.get_close_matches(sitio, provincias.keys(), n=1,
cutoff=umbral):
provincia = difflib.get_close_matches(sitio, provincias.keys(),
n=1, cutoff=umbral)[0]
sitio_valido = provincias[provincia]
elif difflib.get_close_matches(sitio, capitales.keys(), n=1,
cutoff=umbral):
capital = difflib.get_close_matches(sitio, capitales.keys(), n=1,
cutoff=umbral)[0]
sitio_valido = capitales[capital]
elif difflib.get_close_matches(sitio, paises.keys(), n=1,
cutoff=umbral):
pais = difflib.get_close_matches(sitio, paises.keys(), n=1,
cutoff=umbral)[0]
sitio_valido = paises[pais]
else:
sitio_valido = 'OBS: ' + sitio
return sitio_valido
blocks = []
lheight = []
bdist = []
pages = re.finditer(r"<div class='ocr_page' id='page_(?P<id>\d*)'.*?bbox \d* \d* (?P<x2>\d*).*?>\s*(?P<content><div class='ocr_carea'.*?<\/div>\s*)<\/div>", hocr, re.DOTALL)
for page in pages:
careas = re.finditer(r"<div class='ocr_carea' id='block_\d*_(?P<id>\d*)'.*?bbox (?P<x1>\d*) (?P<y1>\d*) (?P<x2>\d*).*?>\s*(?P<content>.*?)<\/div>", page.group('content'), re.DOTALL)
first = {'col_1': 1, 'col_2': 1}
for carea in careas:
if 'linebase' in locals(): del linebase
pars = re.finditer(r"<p class='ocr_par'.*?id='(?P<id>.*?)'.*?>(?P<content>.*?)<\/p>", carea.group('content'), re.DOTALL)
btext = []
pos = 0
conf = {}
pcount = 0
opened = 1
for par in pars:
lines = re.finditer(r"<span class='ocr_line'.*?bbox \d* (?P<y1>\d*) (?P<x2>\d*) (?P<y2>\d*).*?(?P<baseline>-?\d*)\">\s*(?P<content><span class='ocrx_word'.*?<\/span>\s*)<\/span>", par.group('content'))
ptext = []
for line in lines:
words = re.finditer(r"<span class='ocrx_word'.*?x_wconf (?P<conf>\d*).*?>(?:<\S*?>)*(?P<content>\S+?)(?:<\/\S*?>)*<\/span>", line.group('content'))
ltext = []
for word in words:
ltext.append(word.group('content'))
conf[pos] = int(word.group('conf'))
pos += len(word.group('content')) + 1
if len(ltext):
ptext.append(' '.join(ltext))
# if 'linebase' in locals():
# tmp = sum(lheight)/len(lheight)
# if int(line.group('y1')) - linebase < tmp: print(ptext)
linebase = int(line.group('y2')) + int(line.group('baseline')) # sumo baseline en vez de restarla porque la variable incluye el signo
lheight.append(linebase - int(line.group('y1')))
if len(ptext):
btext.append('\n'.join(ptext))
pos += 1 # incrementa el marcador de posición en una unidad para compensar el doble salto de línea al final del párrafo
pcount += 1
conf[pos - 1] = None # disminuye el marcador de posición en una unidad para compensar el doble salto de línea al final del bloque y guarda un último elemento vacío en conf
blockWidth = int(carea.group('x2')) - int(carea.group('x1'))
lastLineWidth = int(line.group('x2')) - int(carea.group('x1'))
if (lastLineWidth < .95 * blockWidth): opened = 0
if len(btext):
if int(carea.group('x1')) < int(page.group('x2')) / 3:
if first['col_1']: first['col_1'] = 0; continue # ignora el bloque si es el primero de la columna
blocks.append({'page': int(page.group('id')), 'col': 1, 'block': int(carea.group('id')),
'text': '\n\n'.join(btext), 'conf': conf, 'pcount': pcount,
'y1': int(carea.group('y1')), 'x1': int(carea.group('x1')), 'x2': int(carea.group('x2')),
'lastLineX2': int(line.group('x2')), 'lastLineY2': int(line.group('y2')) + int(line.group('baseline')), 'opened': opened})
else:
if first['col_2']: first['col_2'] = 0; continue
blocks.append({'page': int(page.group('id')), 'col': 2, 'block': int(carea.group('id')),
'text': '\n\n'.join(btext), 'conf': conf, 'pcount': pcount,
'y1': int(carea.group('y1')), 'x1': int(carea.group('x1')), 'x2': int(carea.group('x2')),
'lastLineX2': int(line.group('x2')), 'lastLineY2': int(line.group('y2')) + int(line.group('baseline')), 'opened': opened})
blocks = sorted(blocks, key=lambda b: (b['page'], b['col'], b['block']))
lheight = sum(lheight)/len(lheight)
# junta dos bloques de una misma columna si la distancia entre ellos es menor
# que la mitad de la altura promedio de una línea de texto.
blocknum = 1
while blocknum < len(blocks):
block = blocks[blocknum]
prevblock = blocks[blocknum - 1]
if (block['col'] == prevblock['col'] and
block['y1'] - prevblock['lastLineY2'] < lheight):
prevblock['text'] += '\n\n' + block['text']
prevblock['pcount'] += 1 # incrementa el número de párrafos del bloque
prevblock['lastLineY2'] = block['lastLineY2']
prevblock['lastLineX2'] = block['lastLineX2']
prevblock['x1'] = min(prevblock['x1'], block['x1'])
prevblock['x2'] = max(prevblock['x2'], block['x2'])
blockWidth = prevblock['x2'] - prevblock['x1']
lastLineWidth = prevblock['lastLineX2'] - prevblock['x1']
# reevalúa si se puede decir que el bloque está cerrado
prevblock['opened'] = 1
if (lastLineWidth < .95 * blockWidth): prevblock['opened'] = 0
pos = max(prevblock['conf'].keys())
for key in block['conf'].keys():
prevblock['conf'][pos + key] = block['conf'][key]
del blocks[blocknum]
else:
blocknum += 1
blocknum = 1
while blocknum < len(blocks):
block = blocks[blocknum]
prevblock = blocks[blocknum - 1]
if prevblock['opened'] and block['col'] != prevblock['col']:
match = re.match(r'^(.*?),', block['text'])
if match:
candidate = match.group(1)
ratio = sum(1 for char in candidate if char.isupper()) / len(candidate)
if ratio > .75: blocknum +=1; continue
prevblock['text'] += '\n\n' + block['text']
prevblock['pcount'] += 1
prevblock['lastLineY2'] = block['lastLineY2']
prevblock['lastLineX2'] = block['lastLineX2']
prevblock['x1'] = min(prevblock['x1'], block['x1'])
prevblock['x2'] = max(prevblock['x2'], block['x2'])
blockWidth = prevblock['x2'] - prevblock['x1']
lastLineWidth = prevblock['lastLineX2'] - prevblock['x1']
prevblock['opened'] = 1
if (lastLineWidth < .95 * blockWidth): prevblock['opened'] = 0
pos = max(prevblock['conf'].keys())
for key in block['conf'].keys():
prevblock['conf'][pos + key] = block['conf'][key]
del blocks[blocknum]
else:
blocknum += 1
# for num, block in enumerate(blocks):
# match = re.search(r"^(.*?)\n{1,2}(?:\((.*?)\).*?\n{1,2})?\(([\s\S]*?)\)[\s\S]+\n\n(.*?)\n{1,2}(?:\((.*?)\)\s{0,2}\n{1,2})?\(([\s\S]*?)\)\s{0,2}\n{1,2}", block['text'])
# if match: print(num)
# crea listas de capitales, provincias y países con información de lugares.csv
capitales = {}
provincias = {}
paises = {}
with open('lugares.csv') as csvfile:
csvreader = csv.reader(csvfile, delimiter=',', quotechar='"')
next(csvreader) # ignora la primera línea del archivo csv
for row in csvreader:
if row[0] and not row[0] in capitales:
capitales[row[0]] = row[1] # + ', ' + row[2] # quitar comentario para agregar país a continuación de la provincia
if row[1] and not row[1] in provincias:
provincias[row[1]] = row[1] # + ', ' + row[2] # quitar comentario para agregar país a continuación de la provincia
if row[2] and not row[2] in paises:
paises[row[2]] = row[2]
# guarda lista de nombres y géneros del registro civil de la Ciudad de Buenos
# Aires en el diccionario "names"
names = {}
with open('nombres.csv') as csvfile:
csvreader = csv.reader(csvfile, delimiter=',', quotechar='"')
for row in csvreader:
names[unicodedata.normalize('NFD', row[0]).encode('ascii', 'ignore')] = row[1]
result = []
todos_los_rasgos = []
for blocknum, block in enumerate(blocks):
(pagina, name, nick, lastname, name_conf, nick_conf, lastname_conf, gender,
bplace, bprovincia, byear, dyear, byear_conf, dyear_conf,
oracion, discip, subdiscip) = ('',) * 17
pagina = block['page'] + primera_pagina - 1
# bloque if que corrige páginas ausentes 68 y 69 de la digitalización original
if pagina > 67:
pagina += 2
match = re.search(r"^(?P<name>.*?)\n{1,2}(?:\((?P<other>.*?)\).*?\n{1,2})?\((?P<data>[\s\S]*?)\).*?\n{1,2}(?P<oracion>[\s\S]*?)\.", block['text'])
if match:
# establece la posición aproximada en el bloque de texto de las variables de interés (para obtener los valores de confianza)
name_pos = match.start('name')
lastname_pos = match.start('name')
byear_pos = match.start('data')
dyear_pos = match.start('data')
oracion = match.group('oracion')
oracion = re.sub(r'[-|—]\n', '', oracion)
oracion = re.sub(r'\n', ' ', oracion)
oracion = re.sub(r'^es ', '', oracion, flags=re.IGNORECASE)
mis_rasgos = re.split(r'(?:,\s?(?:[ye]\s)?|\s[ye]\s)', oracion)
discip, subdiscip = obtenerDisciplinas(mis_rasgos, discip_predet)
todos_los_rasgos += mis_rasgos # esta línea es parte del código que arma la lista de rasgos encontrados en la fuente
if match.group('other'):
nick_pos = match.span('name')
nick_conf = confianzaMinima(nick_pos[0], nick_pos[1], block['conf'])
nick = match.group('name').title()
fullname = match.group('other')
name_pos = match.start('other')
else:
fullname = match.group('name')
matchname = re.search(r"^(?P<lastname>.*?)\s?,\s*(?P<name>.*?)\s?$", fullname)
if matchname:
name_pos = tuple([i + name_pos for i in matchname.span('name')])
lastname_pos = tuple([i + lastname_pos for i in matchname.span('lastname')])
name_conf = confianzaMinima(name_pos[0], name_pos[1], block['conf'])
lastname_conf = confianzaMinima(lastname_pos[0], lastname_pos[1], block['conf'])
lastname = matchname.group('lastname').title()
if not re.search(r"^(?:[^\W\d_]+(?:(?:\.? )|['-]))*[^\W\d_]+\.?$", lastname): # este bloque if alerta si la parte del texto identificada como apellido tiene un formato distinto al esperado
lastname = 'OBS: ' + lastname
name = matchname.group('name').title() # este bloque if alerta si la parte del texto identificada como nombre sigue un formato distinto al esperado
if re.search(r"^(?:[^\W\d_]+(?:(?:\.? )|['-]))*[^\W\d_]+\.?$", name):
firstname = unicodedata.normalize('NFD', name.split(' ')[0]).encode('ascii', 'ignore')
if firstname in names:
gender = names[firstname]
if firstname == b'Maria': gender = 'Mujer'
else:
gender = '?'
else:
name = 'OBS: ' + name
else:
name = 'ERR: ' + fullname
matchdata = re.search(r"^(?P<bplace>[\s\S]*?),\s*(?P<byear>(?=(?:.{0,3}\d){3})\S{4})\s*(?:\s*[-|—]*\s*(?:(?P<dplace>[\s\S]*?),\s*)?(?P<dyear>(?=(?:.{0,3}\d){3})\S{4})\s*)?$", match.group('data'))
if matchdata:
byear_pos = tuple([i + byear_pos for i in matchdata.span('byear')])
dyear_pos = tuple([i + dyear_pos for i in matchdata.span('dyear')])
byear_conf = confianzaMinima(byear_pos[0], byear_pos[1], block['conf'])
bplace = matchdata.group('bplace').replace('\n', ' ').title()
bprovincia = re.search(r'^.*?(?:,\s?)?(?P<provincia>[^,]*)$', bplace).group('provincia')
bprovincia = validar_lugar(bprovincia, provincias, capitales, paises)
byear = matchdata.group('byear')
if not re.search(r'\d{4}', byear): # este bloque if alerta si la parte reconocida como año de nacimiento no sigue el formato esperado
byear = 'OBS: ' + byear
if matchdata.group('dplace'):
dplace = matchdata.group('dplace').replace('\n', ' ').title()
dprovincia = re.search(r'^.*?(?:,\s?)?(?P<provincia>[^,]*)$', dplace).group('provincia')
dprovincia = validar_lugar(dprovincia, provincias, capitales, paises)
if matchdata.group('dyear'):
dyear_conf = confianzaMinima(dyear_pos[0], dyear_pos[1], block['conf'])
dyear = matchdata.group('dyear')
if not re.search(r'\d{4}', dyear): # este bloque if alerta si la parte reconocida como año de muerte no sigue el formato esperado
dyear = 'OBS: ' + dyear
else:
bplace = 'ERR: ' + match.group('data')
else:
name = 'ERR: ' + block['text'].replace('\n', ' ')
result.append({'página': pagina, 'nombres': name, 'seudonimos': nick,
'apellidos': lastname, 'genero': gender,
'nombre_conf': name_conf, 'seudon_conf': nick_conf,
'apellido_conf': lastname_conf, 'sitio': bplace,
'lugar_nacimiento': bprovincia, 'ano_nacimiento': byear,
'ano_muerte': dyear, 'nacim_conf': byear_conf,
'muerte_conf': dyear_conf, 'oracion': oracion,
'disciplinas': discip, 'subdisciplinas': subdiscip})
campos = ['#', 'página', 'nombres', 'seudonimos', 'apellidos', 'genero',
'nombre_conf', 'seudon_conf', 'apellido_conf',
'sitio', 'lugar_nacimiento', 'ano_nacimiento', 'ano_muerte',
'nacim_conf', 'muerte_conf',
'oracion', 'disciplinas', 'subdisciplinas',
'fuentes', 'enlaces_titulo', 'enlaces_url', 'notas', 'nid',
'opciones', 'omitir']
with open(resultados, 'w') as csvfile:
writer = csv.DictWriter(csvfile, campos)
writer.writeheader()
for i, autor in enumerate(result):
autor['#'] = str(i+1)
autor['fuentes'] = fuente
autor.update({'enlaces_titulo': '', 'enlaces_url': '', 'notas': '',
'nid': '', 'opciones': '', 'omitir': ''})
writer.writerow(autor)
disciplinas = {} # colección de disciplinas y número de veces que aparece cada una
for elemento in todos_los_rasgos:
disciplina = transformarRasgo(elemento)
if not disciplina in disciplinas:
disciplinas[disciplina] = 1
else:
disciplinas[disciplina] += 1