# -*- coding: utf-8 -*-
import re, xmlreader, wikipedia, sys
def SezioneUnica(txt):
#Voce con unica sezione?
sections = re.findall('== *([^=]+) *==\s', txt)
if len(sections) == 0 or re.search('(note|bibliografia|voci correlate|altri progetti|collegamenti esterni)', sections[0], re.IGNORECASE):
return True
else:
return False
scelta = int(sys.argv[2])
if scelta == 1: #Prima dell'incipit
regex = re.compile("^[^'=]*\{\{ *quote\s*\|[^}]+\}\}[^'=]*('''.*'''|\{\{bio)", re.IGNORECASE)
elif scelta == 2: #Dopo l'incipit
regex = re.compile("^[^'=]*('''[^=]*'''|\{\{bio)[^=]*\{\{ *quote\s*\|[^}]+\}\}", re.IGNORECASE)
hasquote = re.compile("\{\{ *quote", re.IGNORECASE)
dump = xmlreader.XmlDump(sys.argv[1])
gen = dump.parse()
for p in gen:
if re.match('^(Wikipedia|File|Template|Aiuto|Categoria|Portale|Progetto):', p.title, re.IGNORECASE) and not hasquote.search(p.text):
continue
#Rimuovo gli '=' singoli dei parametri dei template
txt = re.sub("[^=]=[^=]", '', p.text)
#Rimuovo corsivo
txt = re.sub("[^']''[^']+?''[^']", '', txt)
#Rimuovo gli apostrofi
txt = re.sub("[^']'[^']", '', txt)
#Rimuovo note
txt = re.sub("<ref[^>]*>.+?</ref>", '', txt)
if scelta in [1, 2]:
if regex.search(txt):
print '# [['+p.title.encode('utf8')+']]'
elif scelta in [3, 4]: #Citazione lunghe
#Rimuovo tutte le sezioni
txt2 = re.sub('==(.|\s)+$', '', txt)
#Cerco i template quote
m = re.findall('\{\{ *quote\s*\|([^}]+)\}\}', txt2, re.IGNORECASE)
if len(m) > 1 and ( ( not SezioneUnica(txt) and scelta == 4) or scelta == 3):
print '# [['+p.title.encode('utf8')+']]'
continue
for r in m:
#Estraggo la citazione per ogni template
cit = re.sub('\|.*$', '', r[0])
if len(cit) > 300 and ( ( not SezioneUnica(txt) and scelta == 4) or scelta == 3):
print '# [['+p.title.encode('utf8')+']]'
continue
