ازگر: ٹیکسٹ فائلوں سے ایک سے زیادہ HTML فائلیں بنائیں اور ٹیگ کی اصلاح

py- m pip install unidecode
py -m pip install nltk

<title>Blah Blah Blahtitle>

<meta name="description" content="Blah Blah Blah.">

<h3 class="font-weight-normal">TITLE OF THE ARTICLEh3>

    

<p>Lorem ipsum dolor sit amet, consectetur adipiscing elit, 
sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. 
Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris
nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in 
reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla
 pariatur. Excepteur sint occaecat cupidatat non proident, sunt in 
 culpa qui officia deserunt mollit anim id est laborum.p>

    

4. اندرمین فولڈرآپ کو تمام ٹیکسٹ فائلیں اور OANA HTML فائل رکھنے کی ضرورت ہوگی

WHAT DOES THE CODE DO?:

1. ہر ٹیکسٹ فائل سے پہلے 10 الفاظ بازیافت کریں اور اس فائل کو ان 10 الفاظ کے HTML لنک کے طور پر محفوظ کریں۔

2. ہر ٹیکسٹ فائل سے پہلے 10 الفاظ بازیافت کریں اور انہیں <عنوان> ٹیگ اور

ٹیگ پر کاپی کریں

3. ہر ٹیکسٹ فائل سے پہلے 20 الفاظ بازیافت کریں اور انہیں <میٹا تفصیل> ٹیگ پر کاپی کریں۔

4. ٹیکسٹ فائل کے پورے مواد کو سیکشن میں کاپی کریں مضمون شروع کریں-> حتمی مضمون-> (HTML فائل سے موجودہ متن کو تبدیل کریں)

5. ٹیکسٹ فائل میں پہلے 10 الفاظ کے مطابق نئی HTML فائل کا نام تبدیل کریں۔

6. چیک کریں کہ آیا میں واقع لنکس میں مطلوبہ الفاظلنک ڈاٹ ٹی ایکسفائل متن میں ہیں۔ اگر ہاں تو ، یہ تصادفی طور پر نئے HTML صفحے کے جسم سے ایک لفظ منتخب کرتا ہے اور اسے لنک کے طور پر اجاگر کرتا ہے۔ (لنک الفاظ جیسے "اور کون ، کیا ، جب" خارج ہوجائے گا کیونکہ وہ کلیدی الفاظ نہیں ہیں)۔

#-------------------------------------------------------------------------------
# Name:        Create html files from text files
# Purpose:
#
# Author:      Neculai Fantanaru
#
# Created:     22/01/2022
# Copyright:   (c) Neculai Fantanaru 2022
#-------------------------------------------------------------------------------

import os
import re
import random
import unidecode
import nltk
from nltk import tokenize
# nltk.download('punkt')

SITE = 'https://neculaifantanaru.com/'
LISTA_CUVINTE_LEGATURA = [
    'in', 'la', 'unei', 'si', 'sa', 'se', 'de', 'prin', 'unde', 'care', 'a',
    'al', 'prea', 'lui', 'din', 'ai', 'unui', 'acei', 'un', 'doar', 'tine',
    'ale', 'sau', 'dintre', 'intre', 'cu', 'ce', 'va', 'fi', 'este', 'cand', 'o',
    'cine', 'aceasta', 'ca', 'dar', 'II', 'III', 'IV', 'V', 'VI', 'VII', 'VIII',
    'to', 'was', 'your', 'you', 'is', 'are', 'iar', 'fara', 'asta', 'pe', 'tu',
    'nu', 'mai', 'ne', 'le', 'intr', 'cum', 'e', 'for', 'she', 'it', 'esti',
	'this', 'that', 'how', 'can', 't', 'must', 'be', 'the', 'and', 'do', 'so', 'or', 'ori',
	'who', 'what', 'if', 'of', 'on', 'i', 'we', 'they', 'them', 'but', 'where', 'by', 'an',
	'mi', '1', '2', '3', '4', '5', '6', '7', '8', '9', '0', 'made', 'my', 'me', '-',
	'vom', 'voi', 'ei', 'cat', 'ar', 'putea', 'poti', 'sunteti', 'inca', 'still', 'noi', 'l',
	'ma', 's', 'dupa', 'after', 'under', 'sub', 'niste', 'some', 'those', 'he', 'no', 'too',
	'fac', 'made', 'make', 'cei', 'most', 'face', 'pentru', 'cat', 'cate', 'much', 'more', 'many',
    'sale', 'tale', 'tau', 'has', 'sunt', 'his', 'yours', 'only', 'as', 'toate', 'all', 'tot', 'incat',
	'which', 'ti', 'asa', 'like', 'these', 'because', 'unor', 'caci', 'ele', 'have', 'haven', 'te',
	'cea', 'else', 'imi', 'iti', 'should', 'could', 'not', 'even', 'chiar', 'when', 'ci', 'ne', 'ni',
	'her', 'our', 'alta', 'another', 'other', 'decat', 'acelasi', 'same', 'au', 'had', 'haven', 'hasn',
	'alte', 'alt', 'others', 'ceea', 'cel', 'cele', 'alte', 'despre', 'about', 'acele', 'acel', 'acea',
	'decit', 'with', '_', 'fata', 'towards', 'against', 'cind', 'dinspre', 'fost', 'been', 'era'
]
PATTERN_LINK = "\"{}\" target=\"_new\">{}"

'''
structura dictionar cuvinte

{

    "cuvantul1": [lista_linkuri1],
    "cuvantul2": [lista_linkuri2]
}
'''

CALE_FISIER_LINKURI = "C:\\Folder1\\LINKS\\links.txt"

# folosim DEF cand vrem sa definim o functie => un cuvant cheie in Python
# REGULA: def nume_functie(lista_argumente)

def preia_cuvinte_link(link):
    cuvinte = link.split('.')[0] # [0] ia primul element iar daca pun [1] ia al doilea element
    cuvinte = cuvinte.split('-')
    cuvinte_ok = list()
    for cuv in cuvinte:
        if cuv not in LISTA_CUVINTE_LEGATURA:
            cuvinte_ok.append(cuv)
    return cuvinte_ok  # am pus retutn fiindca voi avea nevoie de rezultatul functiei de mai sus

def preia_cuvinte_lista_linkuri(cale_fisier_linkuri):
    lista_cuvinte_linkuri = list()
    dictionar_cuvinte_linkuri = dict()
    with open(cale_fisier_linkuri, encoding='utf8') as fp:
        lines = fp.readlines()
        for line in lines:
            # functia preia_cuvinte_link returneaza un rezultat care este salvat in variabila cuvinte_link
            cuvinte_link = preia_cuvinte_link(line)
            for cuv in cuvinte_link:
                if cuv in dictionar_cuvinte_linkuri.keys():
                    if not SITE + line.strip() in dictionar_cuvinte_linkuri[cuv]:
                        dictionar_cuvinte_linkuri[cuv].append(SITE + line.strip())
                else:
                    dictionar_cuvinte_linkuri[cuv] = [SITE + line.strip()]
            lista_cuvinte_linkuri.extend(cuvinte_link)
    lista_cuvinte_linkuri = list(set(lista_cuvinte_linkuri))

    return lista_cuvinte_linkuri, dictionar_cuvinte_linkuri

def citeste_fisier_linie_cu_linie(cale_fisier):
    with open(cale_fisier, encoding='utf8') as fp:
        lines = fp.readlines()
        count = 0
        for line in lines:
            print(count, line.strip())
            count += 1

def read_text_from_file(file_path):
    """
    Aceasta functie returneaza continutul unui fisier.
    file_path: calea catre fisierul din care vrei sa citesti
    """
    with open(file_path, encoding='utf8') as f:
        text = f.read()
        return text


def write_to_file(text, file_path):
    """
    Aceasta functie scrie un text intr-un fisier.
    text: textul pe care vrei sa il scrii
    file_path: calea catre fisierul in care vrei sa scrii
    """
    with open(file_path, 'wb') as f:
        f.write(text.encode('utf8', 'ignore'))


def split_propozitii(text):
    # 01.02.2022: folosit librarie pentru extragerea propozitiilor
    propozitii = tokenize.sent_tokenize(text)
    # 01.02.2022: scoatem spatiile in plus de la inceputul/finalul propozitiilor si facem prima litera mare
    propozitii = [prop.strip().capitalize() for prop in propozitii]
    # 01.02.2022: scot spatiile in plus de la final de propozitie. De exemplu: "ana are mere  ?" => "ana are mere?"
    propozitii = [prop[:-1].strip() + prop[-1] for prop in propozitii]
    # 31.01.2022: modificat tag-ul p si adaugat css (4)
    tag = "
\"mb-40px\">{}
"
    text_start_final = ""
    # print(len(propozitii))
    numar_propozitii_grup = 7
    numar_grupuri = int(len(propozitii) / numar_propozitii_grup)

    start = 0
    LINK_INTRODUS = 0
    for numar_grup in range(numar_grupuri):
        # print("Iteratia: ", numar_grup)
        lista_cuvinte_gasite = list()
        if numar_grup != 0 and numar_grup != numar_grupuri - 1:
            # 31.01.2022: fixat bug (1)
            text_tag = " ".join(propozitii[start:(start + numar_propozitii_grup)])
            if LINK_INTRODUS == 0:
                cuvinte = re.findall(r' (?:\w|-*\!)+[ ,]', text_tag)
                cuvinte_linkuri, dictionar_linkuri = preia_cuvinte_lista_linkuri(CALE_FISIER_LINKURI)
                for cuv in cuvinte:
                    cuv_fara_semne = cuv.replace(' ', '')
                    cuv_fara_semne = cuv_fara_semne.replace(',', '')
                    if cuv_fara_semne in dictionar_linkuri.keys():
                        lista_cuvinte_gasite.append(cuv)
                lista_cuvinte_gasite = list(set(lista_cuvinte_gasite))
                cuvant_random = random.sample(lista_cuvinte_gasite, 1)[0]
                cuvant_random_fara_semne = cuvant_random.replace(' ', '')
                cuvant_random_fara_semne = cuvant_random_fara_semne.replace(',', '')
                link_random = random.sample(dictionar_linkuri[cuvant_random_fara_semne], 1)[0]

                # singur cuvant subliniat

                pattern = PATTERN_LINK.format(link_random, cuvant_random.strip())
                text_tag = text_tag.replace(cuvant_random.strip(), pattern, 1)
                LINK_INTRODUS = 1


                # doua cuvinte subliniate
                '''
                expresie_regulata = cuvant_random.strip() + r' *\w+'
                urmatorul_cuvant = re.findall(expresie_regulata, text_tag)[0]
                pattern = PATTERN_LINK.format(link_random, urmatorul_cuvant)
                text_tag = text_tag.replace(urmatorul_cuvant, pattern, 1)
                LINK_INTRODUS = 1
                '''

            text_tag = tag.format(text_tag)
            text_start_final = text_start_final + '\n' + text_tag
            start = start + numar_propozitii_grup
        else:
            # 31.01.2022: fixat bug (1)
            text_tag = " ".join(propozitii[start:(start + numar_propozitii_grup)])
            text_tag = tag.format(text_tag)
            text_start_final = text_start_final + '\n' + text_tag
            start = start + numar_propozitii_grup
    text_tag = " ".join(propozitii[start:len(propozitii)])
    text_tag = tag.format(text_tag)
    text_start_final = text_start_final + '\n' + text_tag

    # print(text_start_final)
    # 31.01.2022: Verificat, paragrafele se afiseaza frumos unul sub altul (5)
    return text_start_final


def copiaza_continut_txt_html(cale_fisier_txt, cale_fisier_html): # astea sunt argumentele functiei, adica cand apelez functia
    # citesti textul din fisier
    text_txt = read_text_from_file(cale_fisier_txt)
    # split dupa '\n'
    lines = text_txt.splitlines()
    ok_lines = list()
    for line in lines:
        if line == '' or line == '\ufeff':
            continue
        else:
            ok_lines.append(line)
    # 02.02.2022: titlul e format din primele 10 cuvinte din text
    # title_words = re.findall(r'(?:\w|-*\!)+', ok_lines[0])
    title_words = re.findall(r'(?:\w|-*\!)+', ok_lines[0])[:10]
    description_words = re.findall(r'(?:\w|-*\!)+', ok_lines[0])
    description_words = u' '.join(description_words[:20])
    # print("title: ", title_words)
    # print("description: ", description_words)
    text_html = read_text_from_file(cale_fisier_html)
    # aici e pattern-ul pentru expresia regex; (.*?) inseamna ca preia tot ce este intre tag-uri
    # modifici expresia regulata in functie de ce tag dai ca argument pentru functie
    articol_pattern = re.compile('([\s\S]*?)[\s\S]*?')
    text_articol = re.findall(articol_pattern, text_html)
    if len(text_articol) != 0:
        text_articol = text_articol[0]
        text_txt = split_propozitii(text_txt)
        text_txt = '\n\n' + text_txt + '\n\n'
        text_html = text_html.replace(text_articol, text_txt)
    else:
        print("Fisier html fara ARTICOL START/FINAL.")

    title_pattern = re.compile('')
    text_title = re.findall(title_pattern, text_html)
    # 01.02.2022: inlocuire h3 cu text titlu (2)
    h3_pattern = re.compile('
\"font-weight-normal\">\"javascript:void\(0\)\" class=\"color-black\">(.*?)
')
    text_h3 = re.findall(h3_pattern, text_html)
    if len(text_title) != 0:
        text_title = text_title[0]
        # inlocuire semne
        expresii_regex = [r'\.', r'\,', r'\?', r'\!', r'\:', r'\;', r'\"']
        for exp_reg in expresii_regex:
            title_words = [re.sub(exp_reg, '-', word) for word in title_words]
        # creare nume nou link
        new_filename = u'-'.join(title_words).lower()
        new_file_name_fara_spatiu = unidecode.unidecode(new_filename)
        new_file_name_fara_spatiu = new_file_name_fara_spatiu + '.html'
        # inlocuire text titlu cu primele 10 cuvinte
        text_html = text_html.replace(text_title,  u' '.join(title_words))
        # 01.02.2022: inlocuire h3 cu text titlu (2)
        if len(text_h3) != 0:
            text_h3 = text_h3[0]
            text_html = text_html.replace(text_h3, u' '.join(title_words))
        else:
            print("Fisierul nu are tag-ul h3.")
        # 07.02.2022: inlocuire text canonical tag
        canonical_tag_pattern = re.compile('')
        canonical_tag = re.findall(canonical_tag_pattern, text_html)
        if len(canonical_tag) != 0:
            canonical_tag = canonical_tag[0]
            #text_html = text_html.replace(canonical_tag, new_file_name_fara_spatiu)

            # daca trebuie sa pui si "https://neculaifantanaru.com/" in fata, comentezi linia de mai sus si o decomentezi pe cea de jos

            text_html = text_html.replace(canonical_tag, "https://trinketbox.ro/" + new_file_name_fara_spatiu)
        else:
            print("Fisier fara tag canonical")
    else:
        print("Fisier html fara titlu.")
    description_pattern = re.compile(')
    text_description = re.findall(description_pattern, text_html)
    if len(text_description) != 0:
        text_description = text_description[0]
        # print("text description: ", text_description)
        text_html = text_html.replace(text_description, description_words)
    else:
        print("Fisier html fara description.")

    file_path = os.path.dirname(cale_fisier_txt) + "\\" + "fisiere_html" + "\\" + new_file_name_fara_spatiu
    write_to_file(text_html, file_path)
    # print("Fisier: ", new_file_name_fara_spatiu)
    print("Scriere efectuata cu succes.")


def creare_fisiere_html(cale_folder_txt, cale_fisier_html):
    """
    Functia itereaza printr-un folder care contine fisiere txt si creeaza fisiere html corespunzatoare
    """
    count = 0
    for f in os.listdir(cale_folder_txt):
            if f.endswith('.txt'):
                cale_fisier_txt = cale_folder_txt + "\\" + f
                copiaza_continut_txt_html(cale_fisier_txt, cale_fisier_html)
                count += 1
            else:
                continue
    print("Numarul de fisiere modificate: ", count)

def main():
    creare_fisiere_html("C:\\Folder1", "C:\\Folder1\\index.html")
    # lista_cuvinte, dictionar_cuvinte = preia_cuvinte_lista_linkuri(CALE_FISIER_LINKURI)
    # print(len(lista_cuvinte)) # len - arata dmensiunea
    # print(dictionar_cuvinte)

if __name__ == '__main__':
    main()