Laboratoire ICAR » Plateforme TXM

#Reformatage du lexique de l'ancien français afrlex au format :

#une association "forme	msd	lemme	ref" par ligne

use strict;

#use warnings;

my $file = $ARGV[0];

my $outfile = $ARGV[1];

open (IN, "$file") || die "Cannot read from $file\n";

open (OUT, ">$outfile") || die "Cannot write to $outfile\n";

print OUT "form\tmsd_afrlex\tlemma\tlemma_src\n";

my @lines = <IN>; close IN;

for my $line (@lines) {

#	print $line;

	if ($line =~ m/^([^\t]*)\t(.*)$/) {

		#la forme est le premier segment avant tabulation

		my $form = $1;

		#le reste sont des annotations : msd + lemmes

		my $annotations = $2;

		until ($annotations =~ m/^\s*$/) {

			#on traite les annotations en boucle par paire de valeurs séparées par une tabulation

			$annotations =~ m/^\t?([^\t]*)\t([^\t]*)(.*)$/;

			#la 1ère valeur est l'étiquette morphosyntaxique

			my $msd = $1;

			#la seconde est un ensemble lemme_source éventuellement multiples avec séparation par type

			my $lemmesrefs = $2;

			$annotations = $3;

			#s'il y a un "_", on parse

			if ($lemmesrefs =~ m/^([^_]*)_([^_]*)$/) {

				my @lemmes = split/\|/, $1;

				my @refs = split/\|/, $2;

				my $counter = 0;

				foreach my $lemme (@lemmes) {

					print OUT "$form\t$msd\t$lemme\t$refs[$counter]\n";

					$counter++;

				}

			}

			#sinon on copie simplement

			else {

				my @lemmes = split/\|/, $lemmesrefs;

				foreach my $lemme (@lemmes) {

					print OUT "$form\t$msd\t$lemme\t\n";

				}

			}

		}

	}

	else {

		print "ERROR in line format: $line\n"

	}

}

close OUT;

rename "$file.$$","afrlex.tsv" || die "Cannot write to afrlex.tsv\n";