-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathxml_parser.py
More file actions
536 lines (452 loc) · 26.2 KB
/
xml_parser.py
File metadata and controls
536 lines (452 loc) · 26.2 KB
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
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
import xml.etree.ElementTree as ET
import re
import patterns
class xmlParser:
"""
Diese Klasse enthält Methoden, um die rohen XML-Dateien in XML-Dateien mit dem Schema "tei_hesseparl" zu überführen. Zudem
enthält dieser Klasse verschiedene Methoden, um die Rohdaten zu bereinigen.
"""
@staticmethod
def extract_data_from_raw_document(file_path: str) -> list[str]:
"""
Mit dieser Methode werden die Redebeiträge und die Tagesordnungspunkte aus den Rohdokumenten extrahiert.
Args:
Der relative Dateipfad zu den rohen XML-Dateien.
Returns:
Die Wahlperiode,
die Sitzungsnummer,
das Datum
und die extrahierten Redebeiträge.
"""
# XML-Datei einlesen
try:
tree = ET.parse(file_path)
except ET.ParseError:
print(f"{file_path} fehlerhaft")
return ["","","",""]
root = tree.getroot()
# Alle <UpdateRecord>-Tags mit LockId und Clear="False" finden
update_records = root.findall(".//UpdateRecord[@Clear='False']")
#Extrahiere die Wahlperiode, Sitzungsnummer und das Datum.
lp = update_records[0].find(".//Field[@Clear='True'][@InputFieldName='WP']").text
session = update_records[0].find(".//Field[@Clear='True'][@InputFieldName='DNR']").text
date = update_records[0].find(".//Field[@Clear='True'][@InputFieldName='DAT']").text
text_data = []
# Durch die gefundenen <UpdateRecord>-Tags iterieren
for record in update_records:
# Innerhalb jedes <UpdateRecord>, finde alle <Field>-Tags mit den spezifischen Attributen
fields = record.findall(".//Field[@Long='True'][@Clear='True'][@InputFieldName='AVT1']")
for field in fields:
# Den Text aus jedem gefundenen <Field>-Tag extrahieren
if field.text: # Nur Text hinzufügen, wenn es nicht None ist
text_data.append(field.text.strip())
return [lp, session, date, text_data]
@staticmethod
def create_header(lp: str, session: str, date: str) -> str:
"""
In dieser Methode wird die XML-Deklaration und der Header eines XML-TEI-Dokuments formatiert und als String
zurückgegeben. Außerdem werden die Elemente <text> und <body> geöffnet.
Args:
lp: Die Legislaturperiode.
session: Die Sitzungsnummer.
date: Das Datum.
Returns:
Der formatierte Header.
"""
return f'<?xml version="1.0" standalone="no"?>\n' \
f'\t<TEI>\n' \
f'\t\t<teiHeader>\n' \
f'\t\t\t<fileDesc>\n' \
f'\t\t\t\t<titleStmt>\n' \
f'\t\t\t\t\t<title>Plenarprotokoll</title>\n' \
f'\t\t\t\t\t<legislativePeriod>{lp}</legislativePeriod>\n' \
f'\t\t\t\t\t<sessionNo>{session}</sessionNo>\n' \
f'\t\t\t\t</titleStmt>\n' \
f'\t\t\t\t<editionStmt>\n' \
f'\t\t\t\t\t<edition>\n' \
f'\t\t\t\t\t\t<package>HesseParl</package>\n' \
f'\t\t\t\t\t\t<version/>\n' \
f'\t\t\t\t\t\t<birthday/>\n' \
f'\t\t\t\t\t</edition>\n' \
f'\t\t\t\t</editionStmt>\n' \
f'\t\t\t\t<publicationStmt>\n' \
f'\t\t\t\t\t<publisher>Hessischer Landtag</publisher>\n' \
f'\t\t\t\t\t<date>{date}</date>\n' \
f'\t\t\t\t\t<page/>\n' \
f'\t\t\t\t</publicationStmt>\n' \
f'\t\t\t\t<sourceDesc>\n' \
f'\t\t\t\t\t<filetype>xml</filetype>\n' \
f'\t\t\t\t\t<url/>\n' \
f'\t\t\t\t\t<date/>\n' \
f'\t\t\t\t</sourceDesc>\n' \
f'\t\t\t</fileDesc>\n' \
f'\t\t\t<encodingDesc>' \
f'\t\t\t\t<projectDesc>HesseParlPy</projectDesc>\n' \
f'\t\t\t\t<samplingDecl/>\n' \
f'\t\t\t\t<editorialDecl/>\n' \
f'\t\t\t</encodingDesc>\n' \
f'\t\t\t<profileDesc/>\n' \
f'\t\t\t<revisionDesc/>\n' \
f'\t\t</teiHeader>\n' \
f'\t\t<text>\n' \
f'\t\t\t<body>\n'
@staticmethod
def create_footer() -> str:
"""
In dieser Methode werden die schließenden Tags </body>, </text> und </TEI> eines XML-TEI-Dokuments als String
zurückgegeben.
Returns:
Die schließenden Tags als String.
"""
return f"\t\t\t</body>\n\t\t</text>\n\t</TEI>"
@staticmethod
def remove_multiple_spaces(text: str) -> str:
"""
Diese Methode ersetzt beim übergebenen String mittels eines regulären Ausdrucks multiple Whitespaces mit genau
einem Whitespace.
Args:
text: Der String, der von multiplen Whitespaces befreit werden soll.
Returns:
Der von multiplen Whitespaces befreite String.
"""
return re.sub(r'\s+', ' ', text)
@staticmethod
def remove_line_break(text: str, m: bool = False) -> str:
"""
Diese Methode ersetzt beim übergebenen String Zeilenumbrüche mit einem leeren String.
Args:
text: Der String, der von Zeilenumbrüchen befreit werden soll.
m: Dieser Parameter spezifiziert, ob nur multiple Zeilenumbrüche entfernt werden sollen oder alle.
Returns:
Der von Zeilenumbrüchen befreite String.
"""
return re.sub(r'\n{2}', '\n', text) if m else re.sub(r'\n', '', text)
@staticmethod
def substitute_metacharacter(text: str) -> str:
"""
Diese Methode bereinigt und substituiert XML-Metazeichen, die in wohlgeformten XML-Dokumenten nicht auftauchen dürfen.
Args:
text: Der zu bereinigende Text.
Returns:
Der bereinigte Text.
"""
text = text.replace("&", "and")
text = re.sub(r"[<>]", "", text)
return text
@staticmethod
def generate_div(text: str, c: int, regular: bool = True) -> str:
"""
Diese Methode erzeugt einen <div>-Tag mit den Attributen 'type', 'n' und 'desc'. Der 'type' ist hier immer ein
'agenda_item', d. h. ein Tagesordnungspunkt innerhalb einer Sitzung wie ein Antrag einer Fraktion oder eine
Fragestunde. Das Attribut 'n' nummeriert die <div>-Tags einer Sitzung und das Attribut 'desc' beinhaltet den
Titel des Tagesordnungspunkt, sofern ein Titel gefunden wird.
Args:
text: Der unformatierte Tagesordnungspunkt.
c: Der Zähler der agenda_items.
regular: False, wenn es sich um einen Spezialfall handelt.
Returns:
Der formatierte <div>-Tag für den Tagesordnungspunkt.
"""
if not regular and "Amtliche Mitteilungen" in text:
return f'\t\t\t\t<div type="agenda_item" n="{c}" what="" desc="Amtliche Mitteilungen">\n'
if not regular:
return f'\t\t\t\t<div type="agenda_item" n="{c}" what="" desc="">\n'
match = re.search(r"^(.*?) – Drucks\. \d+/\d+", text)
if match:
return f'\t\t\t\t<div type="agenda_item" n="{c}" what="" desc="{match.group(1)}">\n'
else:
return f'\t\t\t\t<div type="agenda_item" n="{c}" what="" desc="">\n'
@staticmethod
def extract_speaker_and_text(text: str) -> tuple[str, str]:
"""
Diese zentrale Methode des Parsers partitioniert die Redebeiträge einer Sitzung zunächst nach Redebeiträgen von
Abgeordneten. Diese Partitionen enthalten zumeist weitere Redebeiträge von (Vize)Präsidenten des Landtags oder
Ministern. Mittels einer Fallunterscheidung wird das weitere Vorgehen festgelegt. Die Fallunterscheidung wird
danach iterativ so lange angewandt, bis der nächste Redebeitrag eines Abgeordneten beginnt. Die Partitionen
werden jeweils entsprechend "tei_hesseparl" mit der Methode format_paragraphs_and_interjections() formatiert. Der
String "Builder" fungiert in dieser Prozedur als 'Stack', auf dem sukzessive fertig formatierte Redebeiträge
abgelegt werden.
Args:
text: Der String, der partitioniert, ausgezeichnet und annotiert werden soll.
Returns:
Die partitionierten, ausgezeichneten und annotierten Redebeiträge als String.
"""
# Das Pattern, das den/die Präsident*in nicht berücksichtigt.
pattern = re.compile(patterns.delegate_pattern)
matches = re.finditer(pattern, text)
builder = ""
intro = ""
for i, match in enumerate(matches):
content = match.group(4)
if i == 0:
intro = match.group(1)
"""print(intro)
builder += f'\t\t\t\t\t<sp who="" parliamentary_group="" ' \
f'role="" position="" who_original="" party="" name="">\n' \
f'{xmlParser.format_paragraphs_and_interjections(intro)}' \
f'</sp>\n'
"""
functional_speaker = xmlParser.extract_functional_speaker(match.group(4))
minister_speaker = xmlParser.extract_minister_speaker(match.group(4))
current_speaker = f'\t\t\t\t\t<sp who="{match.group(2).strip()}" parliamentary_group="{match.group(3).strip()}" ' \
f'role="" position="" who_original="" party="{match.group(3)}" name="">'
if functional_speaker and minister_speaker:
if functional_speaker[8] < minister_speaker[7]:
builder += f'{current_speaker}\n'\
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[0])}\n'\
f'\t\t\t\t\t</sp>\n'
f'\t\t\t\t\t<sp who="{functional_speaker[2]}" parliamentary_group="" role="{functional_speaker[1]}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[3])}\n'\
f'\t\t\t\t\t</sp>\n'
if functional_speaker[7]:
builder = xmlParser.handle_loop(functional_speaker[7], builder)
else:
builder += f'{current_speaker}\n'\
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[0])}\n'\
f'\t\t\t\t\t</sp>\n'
name, function = xmlParser.divide_name_and_function(minister_speaker[1])
builder += f'\t\t\t\t\t<sp who="{name}" parliamentary_group="" role="{function}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[2])}\n'\
f'\t\t\t\t\t</sp>\n'
if minister_speaker[6]:
builder = xmlParser.handle_loop(minister_speaker[6], builder)
elif functional_speaker:
builder += f'{current_speaker}\n'\
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[0])}\n'\
f'\t\t\t\t\t</sp>\n'\
f'\t\t\t\t\t<sp who="{functional_speaker[2]}" parliamentary_group="" role="{functional_speaker[1]}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[3])}\n'\
f'\t\t\t\t\t</sp>\n'
if functional_speaker[7]:
builder = xmlParser.handle_loop(functional_speaker[7], builder)
elif minister_speaker:
builder += f'{current_speaker}\n'\
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[0])}\n'\
f'\t\t\t\t\t</sp>\n'
name, function = xmlParser.divide_name_and_function(minister_speaker[1])
builder += f'\t\t\t\t\t<sp who="{name}" parliamentary_group="" role="{function}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[2])}\n'\
f'\t\t\t\t\t</sp>\n'
if minister_speaker[6]:
builder = xmlParser.handle_loop(minister_speaker[6], builder)
else:
builder += f'{current_speaker}\n'\
f'{xmlParser.format_paragraphs_and_interjections(content)}\n'\
f'\t\t\t\t\t</sp>\n'
return builder, intro
@staticmethod
def handle_loop(remainder: str, builder: str) -> str:
"""
Die Methode fungiert als Helfermethode für extract_speaker_and_text() und wendet die darin enthaltene Logik der
Fallunterscheidung iterativ an, bis der Redebeitrag endet.
Args:
remainder: Der restliche Text, der nach der Applikation der ersten Fallunterscheidung übrig geblieben ist.
builder: Der 'Stack' der Hauptmethode, auf dem die fertig formatierten Redebeiträge abgelegt werden.
Returns:
Die fertig formatierte Partition, die als remainder übergeben wurde.
"""
while remainder:
functional_speaker = xmlParser.extract_functional_speaker(remainder)
minister_speaker = xmlParser.extract_minister_speaker(remainder)
if not functional_speaker and not minister_speaker:
return builder
if functional_speaker and minister_speaker:
if functional_speaker[8] < minister_speaker[7]:
builder += f'\t\t\t\t\t<sp who="{functional_speaker[2]}" parliamentary_group="" role="{functional_speaker[1]}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[3])}'\
f'\t\t\t\t\t</sp>\n'
name, function = xmlParser.divide_name_and_function(minister_speaker[1])
builder += f'\t\t\t\t\t<sp who="{name}" parliamentary_group="" role="{function}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[2])}'\
f'\t\t\t\t\t</sp>\n'
remainder = minister_speaker[6]
continue
else:
name, function = xmlParser.divide_name_and_function(minister_speaker[1])
builder += f'\t\t\t\t\t<sp who="{name}" parliamentary_group="" role="{function}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[2])}'\
f'\t\t\t\t\t</sp>\n'
builder += f'\t\t\t\t\t<sp who="{functional_speaker[2]}" parliamentary_group="" role="{functional_speaker[1]}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[3])}'\
f'\t\t\t\t\t</sp>\n'
remainder = functional_speaker[7]
continue
elif functional_speaker:
builder += f'\t\t\t\t\t<sp who="{functional_speaker[2]}" parliamentary_group="" role="{functional_speaker[1]}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[3])}'\
f'\t\t\t\t\t</sp>\n'
remainder = functional_speaker[7]
continue
elif minister_speaker:
name, function = xmlParser.divide_name_and_function(minister_speaker[1])
builder += f'\t\t\t\t\t<sp who="{name}" parliamentary_group="" role="{function}" position="" who_original="" party="" name="">\n'\
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[2])}'\
f'\t\t\t\t\t</sp>\n'
remainder = minister_speaker[6]
continue
return builder
@staticmethod
def extract_introduction(text: str) -> str:
"""
Die Methode fungiert als Helfermethode für die Auszeichnung des Beginns eines Dokuments mit angepasster Fallunterscheidung.
Args:
text: Der restliche Text, der nach der Applikation der ersten Fallunterscheidung übrig geblieben ist.
Returns:
Der fertig formatierte Partition, die als remainder übergeben wurde.
"""
builder = ""
while text:
functional_speaker = xmlParser.extract_functional_speaker(text)
minister_speaker = xmlParser.extract_minister_speaker(text)
if not functional_speaker and not minister_speaker:
builder += f'\t\t\t\t\t<sp who="" parliamentary_group="" role="" position="" who_original="" party="" name="">\n' \
f'{xmlParser.format_paragraphs_and_interjections(text)}' \
f'\t\t\t\t\t</sp>\n'
return builder
if functional_speaker and minister_speaker:
if functional_speaker[8] < minister_speaker[7]:
builder += f'\t\t\t\t\t<sp who="{functional_speaker[2]}" parliamentary_group="" role="{functional_speaker[1]}" position="" who_original="" party="" name="">\n' \
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[3])}' \
f'\t\t\t\t\t</sp>\n'
name, function = xmlParser.divide_name_and_function(minister_speaker[1])
builder += f'\t\t\t\t\t<sp who="{name}" parliamentary_group="" role="{function}" position="" who_original="" party="" name="">\n' \
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[2])}' \
f'\t\t\t\t\t</sp>\n'
text = minister_speaker[6]
continue
else:
name, function = xmlParser.divide_name_and_function(minister_speaker[1])
builder += f'\t\t\t\t\t<sp who="{name}" parliamentary_group="" role="{function}" position="" who_original="" party="" name="">\n' \
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[2])}' \
f'\t\t\t\t\t</sp>'
builder += f'\t\t\t\t\t<sp who="{functional_speaker[2]}" parliamentary_group="" role="{functional_speaker[1]}" position="" who_original="" party="" name="">\n' \
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[3])}' \
f'\t\t\t\t\t</sp>'
text = functional_speaker[7]
continue
elif functional_speaker:
builder += f'\t\t\t\t\t<sp who="{functional_speaker[2]}" parliamentary_group="" role="{functional_speaker[1]}" position="" who_original="" party="" name="">\n' \
f'{xmlParser.format_paragraphs_and_interjections(functional_speaker[3])}' \
f'\t\t\t\t\t</sp>'
text = functional_speaker[7]
continue
elif minister_speaker:
name, function = xmlParser.divide_name_and_function(minister_speaker[1])
builder += f'\t\t\t\t\t<sp who="{name}" parliamentary_group="" role="{function}" position="" who_original="" party="" name="">\n' \
f'{xmlParser.format_paragraphs_and_interjections(minister_speaker[2])}' \
f'\t\t\t\t\t</sp>'
text = minister_speaker[6]
continue
return builder
@staticmethod
def divide_name_and_function(text: str) -> tuple[str, str]:
"""
Diese Method trennt den Namen und die Funktion eines Ministers oder des Ministerpräsidenten und gibt ihn als Tupel
zurück.
Args:
Der/die Minister:in als String.
Returns:
Ein Tupel mit dem Ressort und dem Namen in dieser Reihenfolge.
"""
name_and_function = text.split(', ', 1)
if len(name_and_function) == 1:
temp = name_and_function[0].split(" ", 1)
return temp[1], temp[0]
if len(name_and_function) == 2:
return name_and_function[0], name_and_function[1].replace(":", "")
if len(name_and_function) > 2:
return name_and_function[0], "".join(name_and_function[0:]).replace(":", "")
@staticmethod
def extract_functional_speaker(text: str) -> list[str]:
"""
Diese Methode partitioniert den als Argument übergebenen String in 9 Capture Groups und gibt diese als
Liste zurück. Wenn kein Match gefunden wird, wird der Liste das Element "None" hinzugefügt.
Die erste Gruppe enthält den Text, bevor ein Redebeitrag des/der (Vize)präsident:in beginnt.
Die zweite Gruppe enhält die genaue Funktion des/der sprechenden (Vize)präsident:in.
Die dritte Gruppe enhält den Namen des/der sprechenden (Vize)präsident:in.
Die vierte Gruppe enthält den Redbeitrag des/der (Vize)präsident:in.
Die fünfte Gruppe enthält die Funktion des nachfolgenden Sprechers, sofern der/die Vizepräsident:in spricht.
Die sechste Gruppe enthält den Namen des nachfolgenden Sprechers, sofern der/die Vizepräsident:in spricht.
Die siebte Gruppe enthält den Namen und das Ressort des nachfolgenden Sprechers, sofern ein Minister spricht.
Die siebte Gruppe enthält den restlichen Text.
Das achte Listenelement enthält den Startindex des ersten Sprechers.
Args:
text: Der String, der partitioniert werden soll.
Returns:
Eine Liste mit den Capture Groups und dem Startindex des ersten Sprechers.
"""
speaker_pattern = patterns.functional_speaker_pattern
matches = re.finditer(speaker_pattern, text)
for match in matches:
# Inhalte_before, function, speaker, inhalte_after, if_functional: function, if_functional: Name, if_minister: Name+function, remainder, start_index; len 9
return [match.group(1) if match.group(1) else None,
match.group(2) if match.group(2) else None,
match.group(3) if match.group(3) else None,
match.group(4) if match.group(4) else None,
match.group(5) if match.group(5) else None,
match.group(6) if match.group(6) else None,
match.group(7) if match.group(7) else None,
match.group(8) if match.group(8) else None,
match.start(2) if match.group(2) else None
]
@staticmethod
def extract_minister_speaker(text: str) -> list[str]:
"""
Diese Methode partitioniert den als Argument übergebenen String in 8 Capture Groups und gibt diese als String zurück.
Wenn kein Match gefunden wird, wird der Liste das Element "None" hinzugefügt.
Die erste Gruppe enthält den Text, bevor (der erste) Redebeitrag eines Ministers beginnt.
Die zweite Gruppe enhält den Namen und das Ressort des sprechenden Ministers.
Die dritte Gruppe enthält den Redebeitrag des Ministers.
Die vierte Gruppe enthält die Funktion des nachfolgenden Sprechers, sofern der/die Vizepräsident:in spricht.
Die fünfte Gruppe enthält den Namen des nachfolgenden Sprechers, sofern der/die Vizepräsident:in spricht.
Die sechste Gruppe enthält den Namen und das Ressort des nachfolgenden Sprechers, sofern ein Minister spricht.
Die siebte Gruppe enthält den restlichen Text.
Das achte Listenelement enthält den Startindex des ersten Sprechers.
Args:
text: Der String, der partitioniert werden soll.
Returns:
Eine Liste mit den capture groups und dem Startindex des ersten Sprechers.
"""
speaker_pattern = patterns.minister_pattern
matches = re.finditer(speaker_pattern, text)
for match in matches:
# Inhalte_before, minister, inhalte_after, if_functional: function, if_functional: Name, if_minister: Name+function, remainder, start_index; len:8
return [match.group(1) if match.group(1) else None,
match.group(2) if match.group(2) else None,
match.group(3) if match.group(3) else None,
match.group(4) if match.group(4) else None,
match.group(5) if match.group(5) else None,
match.group(6) if match.group(6) else None,
match.group(7) if match.group(7) else None,
match.start(2) if match.group(2) else None
]
@staticmethod
def format_paragraphs_and_interjections(text: str) -> str:
"""
Diese Methode separiert den Redebeitrag von den Zwischenrufen. Die einzelnen Absätze werden mit einem <p>-Tag
ausgezeichnet und die Zwischenrufe mit einem <stage>-Tag.
Args:
text: Der auszuzeichnende String.
Returns:
Der ausgezeichnete String.
"""
regex = re.compile(patterns.interjection_pattern)
last_match_end = 0
formatted_text = ""
# Durchsuche den Text nach dem gegebenen Pattern
for match in regex.finditer(text):
# Extrahiere die Textteile vor und während des Matches
before_interjection = text[last_match_end:match.start()]
interjection = match.group()
# Wir fangen noch nicht erfasste Redebeiträge der (Vize)Präsident*innen ab.
if before_interjection.strip():
formatted_text += f"\t\t\t\t\t\t<p>{before_interjection.strip()}</p>\n"
# Füge die Interjektion hinzu
formatted_text += f'\t\t\t\t\t\t<stage type="interjection">{interjection}</stage>\n'
# Aktualisiere den letzten Match-Endindex
last_match_end = match.end()
# Überprüfe, ob nach dem letzten Match noch Text übrig ist
remaining_text = text[last_match_end:]
if remaining_text.strip():
formatted_text += f"\t\t\t\t\t\t<p>{remaining_text.strip()}</p>\n"
return formatted_text