Strufts

Retomei o Francês por mim mesma hoje. Como o básico são os artigos definidos e a melhor prática é memorizar o substantivo sempre com o artigo correto (às vezes, até com o gênero no caso de l' no Francês e no Italiano). Não tendo nada o que fazer, escrevi um script que realiza a substituição dos artigos em uma página html (URLs dados em um arquivo) por sublinhados, p/ que o texto possa ser impresso e as lacunas completadas. #!/usr/bin/python #coding:utf-8 # # **PT_BR*********************************************************************** # Dado um arquivo com endereços de páginas da Internet e uma opção que indica o # idioma, o script substitui todos os artigos determinados por sublinhados, # para que o texto possa ser impresso como atividade extra no estudo dos # substantivos femininos e masculinos. # Data: 30/06/2010 # ****************************************************************************** # # **EN************************************************************************* # Given a file with URLs and an option indicating the target language # this script replaces determinate articles in that language in the specified # pages with underscores so the text can be printed as an extra exercise for # the study of feminine and masculine nouns. # Date: 06/30/2010 # ****************************************************************************** # # # Artigos definidos & suas expressões regulares # # pt,pt_BR : o, a, os, as # # fr: la, le, las, les, l' # # it: la, lo, le, l', il, i, gli # # de: der, das, die # # es: el, los, la, las # LANG = { 'de': r"\b(?:[dD][eE][rR]|[dD][aA][sS]|[dD][iI][eE])\b", 'es': r"\b(?:[eE]l|[lL][oO][sS]|[lL][aA][sS]?)\b", 'fr': r"(?:\b[lL][aA][sS]?\b|\b[lL][eE][sS]?\b|[lL]')", 'it': r"\b(?:[lL](?:[aA]|[oO]|[eE])|[lL]'|[iI][lL]?|[gG][lL][iI])\b", 'pt': r"\b[oOaA][sS]?\b" } # Elements to be removed from the page: # links # videos LINK_REGEX = r"<a href=\".+\">(.+)</a>" REMOVE_REGEX = [r"<object .+>", r"<param .+>", r"<embed .+>"] lang_codes = '' for code in LANG.keys(): lang_codes += code + ("|","")[LANG.keys().index(code) == len(LANG.keys()) - 1] from optparse import OptionParser parser = OptionParser(usage="%prog: -f FILE -l " + lang_codes) parser.add_option("-l", "--language", dest="language", help="select target language", metavar="TARGET_LANG") parser.add_option("-f", "--file", dest="filename", help="select FILE with URL addresses to fetch", metavar="FILE") (options, args) = parser.parse_args() if options.language is None or options.filename is None or options.language not in LANG.keys(): parser.print_help() else: url_list = list() with open(options.filename, 'r') as url_file: url_list = map(lambda element: element.replace('\n', ''), url_file.readlines()) import urllib2 exercise_counter = 0 for url in url_list: page = urllib2.urlopen(url).read() # Remove undesired elements from page new_page = urllib2.re.sub(LINK_REGEX, lambda m: "%s" % m.group(1),page) for und in REMOVE_REGEX: new_page = urllib2.re.sub(und, "", new_page) new_page = urllib2.re.sub(LANG[options.language], "____", new_page) # Writing page to disk with open('exercicio_' + options.language + "_" + str(exercise_counter), 'w+') as out_file: out_file.write(new_page) exercise_counter += 1

Mas testando com uma página do Le Figaro, palavras como rôle acabam ficando como rô___. Mesmo com os boundaries. Para os 'usuários finais' e gente sem Python no PC com o OpenOffice/BROffice, basta fazer o seguinte:

• Cole o texto
• Clique em Editar > Localizar e Substituir
• Clique em Mais opções
• Marque Expressões regulares
• Na caixa Procurar por digite \<[Ll][eE][sS]?\>|\<[Ll][aA][sS]?\>|[Ll]' e emSubstituir por, ____

|