-
Notifications
You must be signed in to change notification settings - Fork 0
/
txt_to_csv_00s.py
829 lines (731 loc) · 35.2 KB
/
txt_to_csv_00s.py
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
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
import re
import csv
import sys
import time
import string
from datetime import datetime
from pprint import pprint
##################################
# Script for 1907-1909_I #
# Second Valtiopäivät: #
# 1908_2-4 #
##################################
def discussion_starters(row):
if 'Keskustelu:' in row or 'Keskustelu.' in row or 'Keskustelu;' in row:
return True
elif 'Keskustelu jatkuu' in row:
return True
return False
def discussion_enders(row, row2):
if 'Keskustelu julistetaan päättyneeksi' in row or 'Yleiskeskustelu julistetaan päättyneeksi' in row:
return True
if ('Keskustelu' in row and 'päättyneeksi' in row2):
return True
if 'Asia pannaan pöydälle seuraavaan' in row or 'Päätös:' in row:
return True
return False
def question_starters(row):
if (re.compile('\d+\) N:o \d+\/?\d*.* [A-ZÅÄÖ].*[:;]')).match(row):
return True
return False
def question_enders(row):
if 'Asia on loppuun käsitelty' in row or 'Asia on loppun käsitelty' in row \
or 'eskustelua ei synny.' in row or 'Puheenvuoroa ei haluta' in row\
or 'Kukaan ei pyydä puheenvuoroa' in row or 'Keskustelua ei haluta' in row\
or 'Kukaan ei pyydä yleiskeskustelussa pu' in row\
or 'Puheenvuoroa ei pyydetä' in row or 'Puheenvuotoa ei haluta' in row\
or 'Puheenvuoroja ei pyydetä' in row\
or 'Puheenvuoron saatuaan lausu' in row \
or 'Yleiskeskustelussa kukaan ei pyydä' in row\
or 'Yleiskeskustelussa ei kukaan halua pu' in row\
or 'Kun tämä on tapahtunut, toteaa' in row\
or 'Eduskunta on siis hyväksynyt' in row or 'Päätös:' in row\
or 'Puhujalavalta lausuvat tämän jälkeen:' in row:
return True
return False
def topic_starter(row, prev_row):
problem_rows = []
if ('Äänestys ' in row and 'ed.' in row)\
or 'Äänestys suuren valiokunnan ehdo-' in row\
or 'Hyväksyessään lakiehdotuksen eduskunta' in row \
or 'Eduskunta kehottaa' in row or 'Eduskunta ei hyväksy' in row\
or re.search("\d\) (Ken|Joka) ?—?(ehdollisesti )?('?hyväksyy?|vasta(ehdotukseksi|esitykseksi)|tässä äänestyk|tahtoo)", row)\
or re.compile('\d+\) Senaatin talousosaston ').match(row)\
or re.compile('\d+\) Äänestys (mietinnön ja |valtiovarainvaliokunnan)').match(row):
# or row in problem_rows:
return False
# 7) N:o 61 Ed. Pulliainen: Asioiden käsittely
topic = re.compile('^[0-9]+\) [A-ZÅÄÖ].*')
interpellation = re.compile(
'^[EBF]d. (af|von|v\.)? ?[A-ZÅÄÖ].+n (y\.? ?m\. )?välikysymys') # välikysymys
iniative = re.compile('^Ehdotu(kset|s) laiksi ')
budget = re.compile('^Ehdotus valtion tulo- ja menoarvioksi vuodelle')
budget2 = re.compile('^Lisäyksiä ja muutoksia vuoden 19\d{2} tulo- ja')
account = re.compile('^Valtioneuvoston talouspoliittinen selonteko')
chair_questions = re.compile(
'^Kysymy(s|ksiä) ja [sn]iih[ie]n annettu(ja)? vastau(s|ksia)[\.,]')
members = re.compile('Valiokunta?ie?n jäsenet.')
suggestion = re.compile(
'[FE]d[\.,] (af|von|v\.)? ?[A-ZÅÄÖ].+n (y\.? ?m\. )?edusk(unta|[\.,]) ?esit(ys|[\.,]) \(?n:o \d+\)')
if prev_row.startswith('Päiväjärjestyksessä oleva asia'):
return True
if topic.match(row) or interpellation.match(row) or iniative.match(row)\
or budget.match(row) or account.match(row) or budget2.match(row)\
or members.match(row)\
or chair_questions.match(row) or 'Ikäpuhemiehen alkajaissanat' in row\
or 'Puhemiehen puhe.' == row or 'Puhemiehen tervehdyspuhe.' == row\
or 'Vaitiepäivien avaaminen.' == row\
or suggestion.match(row)\
or 'Muutos päiväjärjestykseen.' in row\
or row == 'Puhemiehen ja varapuhemiesten vaali.':
return True
return False
def topic_enders(row, row2):
if 'Valiokuntaan lähettäminen' in row or 'Puhetta johtaa' in row or 'käsittely' in row or 'uhemies:' in row\
or 'Valjokuntaan lähettäminen' in row or 'Lähetekeskustelu' in row\
or 'esitellään valiokuntaan lähettämistä' in row:
return True
if re.compile('lähetetään [a-zåäö]+neuvoston ehdotuksen').match(row):
return True
if re.compile('[FE]i?site(ll|t)ään').match(row) or row.startswith('sisältävä')\
or row.startswith('Yllämainit')\
or row.startswith('Mainittu lakiehdotus')\
or re.compile('Ne jotka hyväksyvät').match(row):
return True
if 'Puhemiehen paikalle asetuttuaan' in row or 'Paikalleen noustuaan' in row\
or 'Kenraalikuvernööri palasi sitten' in row or 'jäseniksi ehdottaa' in row\
or 'sihteeri lukee' in row or row.startswith('Hyväksytään')\
or ' Kun täysi-istuntoa jälleen jatketaan' in row\
or 'Jatketaan viime täysi-istunnossa ' in row\
or 'Puhemiehen poistuttua ja ' in row\
or row == 'Ikäpuhemiehen jälkeen asettui paikalleen Puhemies ja'\
or row == 'Ikäpuhemies kehoitti Eduskuntaa V. J:n 23 8:n mukai-':
return True
if speech_starters(row, row2):
return True
return False
def topic_details(row, topic):
related = re.compile(
'^Yllämainitu[nt] (laki)?ehdotukse[nt] sisä[il]tävät?')
proposal = re.compile(
'Esitetään arm[\.,] esitys [nN] ?[;:]o')
# '^(sisä[il]tävä|koskevan?) (hallituksen esityk?s(en)? n ?[;:]o |ed\. )')
proposal2 = re.compile(
'^tarkoittavai?n? (hallituksen esity(s|ksen)|ed\. |[a-z]* ?anomusehdotuksen johdo|Laki- ja talousvaliokunnan)')
proposal3 = re.compile(
'[eEF]d[\.,] (af|von)? ?[A-ZÅÄÖ].+ y[\.,] ?m[\.,] anomusehdotuk?s(en)? n ?[:;]o \d+')
committee = re.compile(
'^\*? ?F?E?i?site(ll|t)ään [a-zåäöA-Z \-]+valiokunnan')
committee2 = re.compile(
'[a-zåäöA-Z \-]+valiokunnan mietinnön n ?[:;]o \d+ johdo(lla|sta) esitetään')
iniative = re.compile(
'sisä[il]tävä ed[\.,] (af|von)? ?[A-ZÅÄÖ].+ (?:y\.? ?m\. )?[a-zåäö\-]+[\.,] ?a[l!][\.,]') # n[;:]o')
iniative2 = re.compile(
'^([EF]d[\.,] (af|von)? ?[A-ZÅÄÖ][^,\(\)\d]+ (?:y\.? ?m\. )?)?[a-zåäö\-]+[\.,] ?a[l!][\.,] n ?[:;]+o')
iniative3 = re.compile(
'(sisäi?ltävä )?[eEF]d[\.,] (af|von)? ?[A-ZÅÄÖ].+ (y[\.,] ?m[\.,] )?(edusk|anom)[\.,] e(sit|hd)[\.,]( n ?[:;]o \d+)?')
budgeting = re.compile('^Valtiovarainvaliokunnan mietinnössä n ?:o')
mention = re.compile('^Mainitun (lakiehdotuksen|kertomuksen) johdosta')
mention2 = re.compile('^Mainittu lakiehdotus')
due_to = re.compile(
'(^koskevan? (hallituksen esityksen|välikysymyksen) )?johdosta( laadittu )?')
if proposal.match(row) or committee.match(row) or iniative.match(row)\
or iniative2.match(row) or related.match(row) or budgeting.match(row)\
or proposal2.match(row) or proposal3.match(row) or mention.match(row)\
or mention2.match(row) or iniative3.match(row) or due_to.match(row)\
or committee2.match(row) or (topic and row.startswith('Asiakirjat:'))\
or (topic and row.startswith('koskeva')) or row == 'Ehdotuksen oppivelvollisuuslaiksi ja laiksi kansakoululaitoksen':
return True
return False
def speech_starters(row, row2):
speech_start = re.compile("^[EF]d[\.,] ?(af|von|v\.)? ?[A-ZÅÄÖ].*?[:;] ")
speech_start2 = re.compile(
"^[A-ZÅÄÖ][^(:]*iniste[rt]i (af|von|v\.)? ?[A-ZÅÄÖ].*?[:;] ")
speech_start3 = re.compile('Senaattori (af|von)? ?[A-ZÅÄÖ].*?[;:] ')
long_title = re.compile(
'^[A-ZÅÄÖ][^(:]*iniste[rt]i (af|von|v\.)? ?[A-ZÅÄÖ].*-$')
long_title2 = re.compile('^[A-ZÅÄÖa-zåäö]+[;:] ')
chairman = re.compile(
'(F?[EF]nsimmäinen |Toinen )?(Puhemies|[vV]arapuhemies) ?(\(koputtaa\))? ?[;:]')
chairman_knock = re.compile(
'(F?[EF]nsimmäinen |Toinen )?(Puhemies|varapuhemies) ?')
chairman_knock2 = re.compile('taa\) ?[;:]')
continuation = re.compile('^Puhuja ?[;:]')
eldest = re.compile('-?Ikäpuhemie ?s( \(ruotsiksi\))?[;:]')
# the two first speeches of all time (don't get caught otherwise)
elder = re.compile(
'Ikäpuhemies Hoikka lausui kokoontuneille edustaiille :')
vuolijoki = re.compile(
'Edustaja Vuolijoki, Väinö: Valtiopäiväjärjestyksen 67')
if re.search(re.compile('y[\.,] ?m[\.,] '), row) or 'ilmoitetaan sairaaksi' in row:
return False
if speech_start.match(row) or speech_start2.match(row) or speech_start3.match(row) \
or chairman.match(row) or continuation.match(row)\
or (chairman_knock.match(row) and chairman_knock2.match(row2))\
or (long_title.match(row) and long_title2.match(row2))\
or eldest.match(row) or elder.match(row) or vuolijoki.match(row):
return True
return False
def document_start(row, year):
# 5. Tiistaina 13 päivänä helmikuuta 1990
if year > 1920:
if re.compile('\f*\(?[0-9]+[\.,\)] [A-Z][a-zåäö]+ [0-9]+ p[\-\.] .*kuuta 19[0123][0-9]').match(row):
return True
else: # mostly no year in the title
if re.compile('\f*\(?[0-9]+[\.,\)] [A-Z][a-zåäö]+ [0-9]+ p[\-\.] .*kuuta( 190[789])?').match(row):
return True
return False
def document_end(row):
if 'Täysistunto lopetetaan ' in row \
or re.compile('(Täys(i-)?)?[Ii]stunto päätty[yi] ').match(row)\
or re.compile('.*?Puhemies julisti (tämän )?täysi-istunnon päät').match(row): # or 'Täysistunto keskeytetään ' in row
return True
return False
def handle_session_start(rows, year):
time = ''
for row in rows:
row = re.sub('klo|k[;:] ?lo|keilo', 'kello', row)
if 'kello' in row:
parts = row.split()
if year > 1928:
if len(parts) > 1:
if not 'kello' in parts[1]:
time = re.sub('\)|:', '', parts[1])
time = time.replace(',', '.')
return time.rstrip('.')
else: # 12 h clock
for i in range(len(parts)):
if ('kello' in parts[i] and len(parts) > i+1):
time = re.sub(',|;|:|/', '.', parts[i+1])
break
if time: # am or pm?
am = re.search(re.compile('a\. ?P?p\.|yöllä'), row)
pm = re.search(re.compile(
'[il1]?\.? ?p\.|illalla|päivällä'), row)
if am:
return time
elif pm:
if re.compile('\d+\.\d$').match(time):
time += '0'
elif len(time) < 4:
time += '.00'
try:
temp = datetime.strptime(time + ' PM', '%I.%M %p')
return datetime.strftime(temp, '%H.%M')
except:
# print(row)
return ''
return ''
def handle_session_end(row, row2, year):
end = ''
#row = re.sub('klo|k[;:] ?lo|keilo', 'kello', row)
#row2 = re.sub('klo|k[;:] ?lo|keilo', 'kello', row2)
temp = row + ' ' + row2
temp = re.sub('klo|k[;:] ?lo|keilo', 'kello', temp)
parts = temp.split() # row.split() + row2.split()
for i in range(len(parts)):
if ('kello' in parts[i] and len(parts) > i+1):
end = re.sub(',|;|:|/', '.', parts[i+1])
break
if end: # am or pm?
am = re.search(re.compile('a\. ?P?p\.|yöllä'), temp) # row)
pm = re.search(re.compile(
'[il1]?\.? ?p\.|illalla|päivällä'), temp) # row)
if am:
return end
elif pm:
if re.compile('\d+\.\d$').match(end):
end += '0'
elif len(end) < 4:
end += '.00'
try:
temp = datetime.strptime(end + ' PM', '%I.%M %p')
return datetime.strftime(temp, '%H.%M')
except:
# print(row)
return ''
return end or ''
def index_end(row):
agenda = re.compile('Päiväjärjestyksessä olevat? asiat?:')
notice = re.compile('(Il|Ti|H)moitusasiat:')
roll_call = re.compile(
'(Poissa oleviksi merkitään )?[Nn]imen ?huudo(ssa( merkitään)?|n asem[ea]sta)|Läsnä oleviksi tnerkitään')
roll_call_pass = re.compile('Ajan voittamiseksi|Nimenhuutoa ei toimitettu')
if agenda.match(row) or notice.match(row) or re.search(roll_call, row)\
or re.search(roll_call_pass, row)\
or 'Ikäpuhemiehen alkajaissanat' in row\
or 'Ikäpuhemies.' == row or "Valitsijamiehet." == row\
or 'kokoontui Suomen Eduskunta ensimäiseen' in row:
return True
return False
def end_compendium(row):
if re.compile('\f+Liite\.').match(row)\
or re.compile('\f+LIITTEITÄ\.').match(row)\
or re.compile('\f+Jäsen- ja Asialuettelot').match(row):
return True
def closing_statement(row):
if 'Eduskunnan seuraava ' in row:
return True
if re.compile('seuraava (varsinainen )?täysistunto').match(row):
return True
return False
def page_header(row):
header = re.compile('\f')
if header.match(row):
return True
return False
def acceptance(row):
if 'Selonteko myönnetään oikeaksi.' in row\
or re.compile('^Eduskunta on hyväksynyt ').match(row) \
or 'Eduskunta on käsittelyn pohjaksi hy' in row\
or 'Eduskunta on tässä äänestyksessä hyväksynyt' in row\
or 'hyväksytään keskustelutta' in row\
or 'Puhemiesneuvoston ehdotus hyväksytään' in row\
or 'Puhemiehistön ehdotus hyväksytään' in row\
or 'Vaaliin ryhdytään ja liput avataan.' in row\
or row == 'Vaali toimitetaan.' or 'Vaalitoimitukseen ryhdytään.' in row\
or 'Anomukseen suostutaan.' in row\
or 'Anomuksiin suostutaan.' in row or 'Pyyntöön suostutaan.' in row\
or re.compile('(Anomus|Menettelytapa|Toimenpide|Käsittelytapa|Ehdotus) hyväksytään\.').match(row)\
or re.compile('(Täysi-)?[iI]stunto keskeytetään k(el)?lo ').match(row)\
or re.compile('Täysi-istuntoa jatketaan').match(row)\
or 'Puhemiehen mainitsema asiakirja luetaan' in row\
or 'Puhemies ilmoitti vielä olevan kahdeksan puheenvuoroa' in row\
or 'Sihteeri lukee' in row or 'Äänestysesitys ja päätös:' in row\
or row == 'Sen jälkeen toimitetussa vaalissa Kansaneduskunnan'\
or row == 'Ed.':
return True
return False
def get_speaker(all_):
if ('(vastauspuheenvuoro)' in all_ and not 'vuoro):' in all_ and not 'vuoro);' in all_
and not 'vuoro) :' in all_ and not 'vuoro) ;' in all_):
all_ = all_.replace('vuoro)', 'vuoro):', 1)
parts = re.split(':|;', all_, maxsplit=1)
if len(parts) > 1:
return parts[0], parts[1]
return ' ', parts[0]
def session_details(row, parliament_year, document_num):
# 145. Maanantaina 10 päivänä joulukuuta 1990
# 15. Maanantaina 10 p. joulukuuta <- mostly no year before 1920 halfway
# to year-month-day
row = row.replace(')', '.')
row = row.replace('(', '')
parts = row.split()
session = '{:s}/{:s}'.format(parts[0][:-1], parliament_year)
if re.search('\f*\(?[0-9]+[\.,\)] [A-Z][a-zåäö]+ [0-9]+ p[\-\.] .*kuuta$', row): # no year
date = '{:s}-{:s}-{:s}'.format(parliament_year,
parts[4][:-2], parts[2])
else:
date = '{:s}-{:s}-{:s}'.format(parts[-1].strip('s'),
parts[-2][:-2], parts[-4])
if (parliament_year == '1908' and int(document_num) >= 2):
return session+'_II', parts[0][:-1], date
return session, parts[0][:-1], date
def document_link(parliament_year, session_num, original_document_num):
romans = {'1': 'I', '2': 'II', '3': 'III',
'4': 'IV', '5': 'V', '6': 'VI'}
if parliament_year == '1907':
return 'https://s3-eu-west-1.amazonaws.com/eduskunta-asiakirja-original-documents-prod/suomi/1907/PTK_1907_{}.pdf'.format(romans[original_document_num])
elif parliament_year in ['1908', '1909'] and original_document_num == '1':
return 'https://s3-eu-west-1.amazonaws.com/eduskunta-asiakirja-original-documents-prod/suomi/{0}/PTK_{0}.pdf'.format(parliament_year)
else:
return 'https://s3-eu-west-1.amazonaws.com/eduskunta-asiakirja-original-documents-prod/suomi/1908/PTK_1908_{}_II_vp.pdf'.format(romans[str(int(original_document_num)-1)])
def handle_page_num(row, parliament_year):
if not any(char.isdigit() for char in row):
return -1
else:
parts = row.split()
for part in parts:
if (part.isdigit() and part != parliament_year):
return int(part)
return -1
def mark_removable_hyphens(new):
for i in range(len(new)-1):
if new[i][-1] == '-':
# cases where '-' shouldn't be removed
if ('(vastaus' in new[i] and 'ro)' in new[i+1]): # dealt elsewhere
continue
if new[i+1][0].isupper(): # Hetemäki-\nOllander
continue
if (len(new[i]) > 1 and new[i][-2].isdigit()): # 1-3-\nluokkalaisten
continue
if new[i+1].startswith('ja ') \
or new[i+1].startswith('tai ') \
or new[i+1].startswith('sekä ') \
or new[i+1].startswith(','): # kesä-\n, talvi- tai kevätkausi
continue
if(new[i+1][0] in ('a', 'e', 'y', 'u', 'i', 'o', 'ä', 'ö') and len(new[i]) > 1 and new[i+1][0] == new[i][-2]):
# raha-\nasia
continue
new[i] += '<REMOVE>'
def not_content(content, i):
"""Returns true if content[i] is not part of speech
"""
date_pagehead = re.compile(
'(\d+ )?Istunto \d+ p[\.,] [A-Z]?[a-z]kuuta [0-9]{4}')
# '[0-9]* ?[A-Z][a-z]+na [0-9]+ p\. .*kuuta( [0-9]{4}|\.)')
pagehead1 = re.compile(
'[0-9]* ?[A-Z][a-z]+na [0-9]+ p\.$')
pagehead2 = re.compile('[a-z]+kuuta( [0-9]{4}|\.)$')
number_lines = re.compile('^[0-9\/\. ]+$')
chair_questions = re.compile(
'^Kysymy(s|ksiä) ja [sn]iih[ie]n annettu(ja)? vastau(s|ksia)[\.,]')
if '\f' in content[i]: # or number_lines.match(content[i]):
return True
elif date_pagehead.match(content[i]):
return True
elif pagehead1.match(content[i]) or pagehead2.match(content[i]):
return True
elif content[i].isdigit():
return True
elif 'Puheenvuoroa käyttäen lausuu:' in content[i] or 'Puheenvuoron saatuaan lausu' in content[i]\
or 'Puheenvuoroa käyttää:' in content[i] or 'Puhevuoroa käyttäen lausuu:' in content[i]:
return True
elif chair_questions.match(content[i]):
return True
else:
return False
def start_of_swedish_translation(row, row2):
p = re.compile('on [rtv]uotsinkielisenä näin kuuluva[;:]')
p2 = re.compile(
'Ruotsinkielinen (vastaus|puhe|saarna) o(li|n) näin kuuluva[;:]')
p3 = re.compile('Ruotsinkielisenä ')
p1_1 = re.compile('o(n|li) [rvt]uotsin[a-zä]*\-')
p1_2 = re.compile('näin kuuluva[:;]')
p2_1 = re.compile('o(n|li) [rvt]uot[a-zä]*\-')
p2_2 = re.compile('kielisenä näin kuuluva[:;]')
p3_1 = re.compile('on(n|li) ([rtv]uotsinkielisenä|ruotsiksi)')
p3_2 = re.compile('kuuluva[:;]')
if re.search(p, row) or re.search(p2, row):
return True
if re.search(p1_1, row) and re.search(p1_2, row2):
return True
if re.search(p2_1, row) and re.search(p2_2, row2):
return True
if re.search(p3_1, row) and re.search(p3_2, row2):
return True
if re.search(p3, row) and re.search(p3_2, row2):
return True
return False
def edit_content(content):
new = []
# print(content)
for i in range(len(content)):
if not_content(content, i):
continue
elif (not content[i].strip() and content[i-1].strip() and not not_content(content, i-1)
and i+1 < len(content) and not not_content(content, i+1) and content[i+1][0].isupper()):
# empty row (and) is not the first (and) row-1 is real content (and) row is not last row
# (and) row+1 has real content (and) starts with capital
new.append('\n')
else:
row = re.sub('=|€|\*|<<|^>> | ?\|', '', content[i])
row = re.sub(' +', ' ', row)
if row.strip():
new.append(row)
mark_removable_hyphens(new)
return new
def edit_related_documents(topic):
"""Esitellään — valtiovarainvaliokunnan = mietintö
n:o 23 ja otetaan ensimmäiseen käsit-
telyyn siinä valmistelevasti käsitellyt hallituk-
sen esitys n:o 28 ja Mäen ym. lak.al. n:o 280,
jotka sisältävät yllämainitut lakiehdotukset.
Yllämainitut lakiehdotukset sisältävät hallituk-
sen esitys n:o 178 (1974 vp.) sekä lak.al. n:ot
18, 205 ja 206 (1973 vp.) sekä 15—17, 404 ja
405 (1974 vp.), joita on valmistelevasti käsitelty
perustuslakivaliokunnan mietinnössä n:o 10 ja
suuren valiokunnan mietinnössä n:o 26, esitel-
lään kolmanteen käsittelyyn sekä
ainoaan käsittelyyn samassa yhteydessä
käsitellyt toiv.al. n:ot 16 (1972 vp.) ja 4 (1973
vp.)
Esitellään suuren valiokunnan mietintö n:o 28
ja otetaan toiseen käsittelyyn siinä sekä
maa- ja metsätalousvaliokunnan mietinnössä n:o
2 valmistelevasti käsitellyt hallituksen esitys n:o
11 ja lak.al. n:ot 209 ja 291 (1972 vp.), 128
(1973 vp.) sekä 179 ja 180 (1974 vp.), jotka sisäl-lakialoitteet n:ot 139/1987 vp. ja 11
tävät yllämainitut lakiehdotukset.
"""
mark_removable_hyphens(topic)
new = []
documents = ''
related = False
for i in range(len(topic)):
if'>>>' in topic[i]:
related = True
if not related:
new.append(topic[i])
else:
documents = ' '.join(topic[i+1:])
break
# cleans the documents section, main topic cleaned later
documents = documents.replace('-<REMOVE> ', '')
documents = documents.replace('/ ', '/')
bills = re.findall(
'[Aa]rm[\.,] esitys [nN] ?[:;]o \d+', documents)
committees = re.findall(
'(?:suuren |[a-zåäöA-ZÅÄÖ]+- ja )?[a-zåäöA-ZÅÄÖ\-]*valiokunnan mietin(?:tö|nössä) n ?[:;]+o \d+(?: \(\d+ vp)?', documents)
iniatives = re.findall(
'(?:[EFe]d[\.,] (?:af|von)? ?[A-ZÅÄÖ][^,\(\)\d]+ (?:y\.? ?m\. )?)?[a-zåäö\-]+[\.,] ?a[l!][\.,] n ?[:;]+o \d+(?: \(\d+ vp)?', documents)
iniatives2 = re.findall(
'[eEF]d[\.,] (?:af|von)? ?[A-ZÅÄÖ].+ y[\.,] ?m[\.,] (?:edusk|anom)[\.,] e(?:sit|hd)[\.,] n ?[:;]o \d+', documents)
iniatives3 = re.findall(
'[eEF]d[\.,] (?:af|von)? ?[A-ZÅÄÖ].*? (?:y[\.,] ?m[\.,] )?(?:eduskuntaesitys|anomusehdotu(?:s|kse[nt])) n ?[:;]o \d+', documents)
grace = re.findall('armollinen esitys n ?[:;]o \d+', documents)
matches = bills + committees + iniatives + iniatives2 + iniatives3 + grace
matches = list(set(matches))
for match in matches:
match = re.sub('N ?[:;]o', 'n:o', match)
match = re.sub('lak[\.,] ?a[l!][\.,]', 'lakialoite', match)
match = re.sub('toiv[\.,] ?a[l!][\.,]', 'toivomusaloite', match)
match = re.sub('rah[\.,] ?a[l!][\.,]', 'raha-asia-aloite', match)
match = re.sub('edusk[\.,] esit[\.,]', 'eduskuntaesitys', match)
match = re.sub('[Aa]rm[\.,] esitys', 'armoitettu esitys', match)
# capitalize() would lowercase names in 'ed. Kettunen ym...'
match = match[0].upper()+match[1:]
# hallituksen esitys n:o 128 (1974 vp.)
match = re.sub(' \(', '/', match)
match = re.sub(' v[pP][\.,]\)', '', match)
match = match.replace('esityksen', 'esitys')
new.append('>>>' + match.replace('mietinnössä',
'mietintö'))
# plurals
bills = re.findall(
'hallituksen esitykset n ?[:;]+ot \d+[0-9\—\-\/,jasekävpP\.\,\(\) ]+[\)\d]', documents)
iniatives = re.findall(
'(?:[EFd]d[\.,] (?:af|von)? ?[A-ZÅÄÖ].+ y\.? ?m\. )?[a-zåäö\-]+[\.,] ?a[l!][\.,] n ?[:;]+ot \d+[0-9\—\-\/,jasekävpP\.\,\(\) ]+[\)\d]', documents)
plurals = bills+iniatives
# multiple document references
# hallituksen esitykset n:ot 90 ja 235 (1974 vp.)
if plurals:
for doc in list(set(plurals)):
doc = re.sub('n ?[:;]+ot', 'n:ot', doc)
doc = re.sub('lak[\.,] ?a[l!][\.,]', 'lakialoite', doc)
doc = re.sub('toiv[\.,] ?a[l!][\.,]', 'toivomusaloite', doc)
doc = re.sub('rah[\.,] ?a[l!][\.,]', 'raha-asia-aloite', doc)
if '(' in doc:
# lak.al. n:ot 18, 205 ja 206 (1973 vp.) sekä 15, 16, 17, 404 ja 405 (1974 vp.)
doc_type = doc.partition('n:ot')[0]
# ['lak.al. n:ot 18, 205 ja 206 (1973 vp.', 'sekä 15, 16, 17, 404 ja 405 (1974 vp.']
year_sections = doc.split(')')
for part in year_sections:
year = '/' + part.partition('(')[-1] # 1973 vp.)
year = re.sub('[vpP\., \)]', '', year)
year = re.sub(' ?\— ?', '—', year)
if year.endswith('/'):
year = '' # no mentioned year
# ['lak.al.', 'n:ot 18,', '205', 'ja', '206', '(1973', 'vp.']
docs = part.split()
for doc in docs:
if doc[0].isdigit():
if '—' in doc:
# raha-asia-aloitteet n:ot 1—3138
if re.search('\d+\—\d+', doc):
doc_range = re.search(
'\d+\—\d+', doc).group()
else:
continue
start = int(doc_range.partition('—')[0])
end = int(doc_range.partition('—')[-1])
for i in range(start, end+1):
new.append('>>>' + doc_type.capitalize() +
'n:o ' + str(i) + year)
else:
new.append('>>>' + doc_type.capitalize() +
'n:o ' + doc.strip(',') + year)
else:
# lakialoitteet n:ot 64, 86 ja 101
doc_type = doc.partition('n:ot')[0]
parts = doc.split()
for part in parts:
if part[0].isdigit():
if '—' in doc:
# raha-asia-aloitteet n:ot 1—3138
if re.search('\d+\—\d+', doc):
doc_range = re.search('\d+\—\d+', doc).group()
else:
continue
start = int(doc_range.partition('—')[0])
end = int(doc_range.partition('—')[-1])
for i in range(start, end+1):
new.append('>>>' + doc_type.capitalize() +
'n:o ' + str(i))
else:
new.append('>>>' + doc_type.capitalize() +
'n:o ' + part.strip(','))
return new
def main(filename):
file = open(filename, "r")
contents = file.read()
rows = contents.split('\n')
file.close()
parliament_year = filename[-10:-6]
original_document_num = filename[-5]
# While going trough document gather session times
# in a nested dict to be used after file has been run through
session_times = {}
current_topic = []
index = False
topic = False
discussion = False
question = False
speech = False
details = False
current_speech = []
all_speeches = []
page = -1
start_page = ''
session_num = ''
session = ''
date = ''
# session = xx/xxxx
# ********************************
for i in range(len(rows)-1):
if end_compendium(rows[i]):
break
if page_header(rows[i]):
if not document_start(rows[i], int(parliament_year)):
if page == -1:
page = handle_page_num(rows[i], parliament_year)
if page != -1:
page -= 1
if page != -1:
page += rows[i].count('\f')
if document_start(rows[i], int(parliament_year)):
if current_speech:
clean_content = edit_content(current_speech)
speaker, content = get_speaker(' '.join(clean_content))
link = document_link(
parliament_year, session_num, original_document_num)
cleaned_topic = edit_related_documents(current_topic)
all_speeches.append(
[session, date, speaker, ' '.join(cleaned_topic), content, start_page, link])
current_speech = []
speech = False
index = True
current_topic = []
topic = False
details = False
session, session_num, date = session_details(
rows[i], parliament_year, original_document_num)
session_times[session] = {}
session_times[session]['start'] = handle_session_start(
rows[i+1:i+100], int(parliament_year))
if document_end(rows[i]):
discussion = False
speech = False
session_times[session]['end'] = handle_session_end(
rows[i], rows[1+i], int(parliament_year))
if index_end(rows[i]):
index = False
speech = False
if discussion_starters(rows[i]):
discussion = True
speech = False
topic = False
if discussion_enders(rows[i], rows[i+1]):
discussion = False
speech = False
if question_starters(rows[i]):
question = True
speech = False
if question_enders(rows[i]):
question = False
speech = False
if closing_statement(rows[i]):
current_topic = []
if acceptance(rows[i]):
speech = False
if start_of_swedish_translation(rows[i], rows[i+1]):
speech = False
if (speech_starters(rows[i], rows[i+1]) and not index): # Risk?
speech = True
topic = False
details = False
if current_speech:
clean_content = edit_content(current_speech)
speaker, content = get_speaker(' '.join(clean_content))
link = document_link(
parliament_year, session_num, original_document_num)
cleaned_topic = edit_related_documents(current_topic)
all_speeches.append(
[session, date, speaker, ' '.join(cleaned_topic), content, start_page, link])
current_speech = []
start_page = page
if (speech and 'Pöytäkirjan vakuudeksi:' in rows[i]):
speech = False
if (not index and not discussion):
if topic_starter(rows[i], rows[i-1] or ''):
speech = False
details = False
topic = True
if topic_enders(rows[i], rows[i+1]):
topic = False
if (not index and topic_details(rows[i], topic)):
#speech = False
details = True
topic = False
current_topic.append('>>>')
if speech: # (speech and rows[i].strip()): # latter added
# if rows[i].strip():
current_speech.append(rows[i])
else:
if current_speech:
clean_content = edit_content(current_speech)
speaker, content = get_speaker(' '.join(clean_content))
link = document_link(
parliament_year, session_num, original_document_num)
cleaned_topic = edit_related_documents(current_topic)
all_speeches.append(
[session, date, speaker, ' '.join(cleaned_topic), content, start_page, link])
current_speech = []
if (not index and not discussion):
if topic_starter(rows[i], rows[i-1] or ''):
current_topic = []
if (topic and '\f' not in rows[i] and rows[i]):
current_topic.append(rows[i])
if (details and rows[i].strip() and '\f' not in rows[i]):
current_topic.append(rows[i])
# pprint(session_times)
output_file = filename[:-4]
with open('{:s}_RAW.csv'.format(output_file), 'w', newline='') as save_to:
writer = csv.writer(save_to, delimiter=',')
for i in range(len(all_speeches)):
# taking care of the first two ever speeches that were problematic
if i == 0 and all_speeches[i][2].startswith('Ikäpuhemies Hoikka lausui kokoontuneille edustaiille'):
all_speeches[i][2] = 'Ikäpuhemies Hoikka'
if i == 1 and all_speeches[i][2].startswith('Edustaja Vuolijoki, Väinö'):
all_speeches[i][2] = 'Ed. Vuolijoki, Väinö'
if 'end' in session_times[all_speeches[i][0]]:
end = session_times[all_speeches[i][0]]['end']
else:
end = ''
if ', >>>' in all_speeches[i][3]:
all_speeches[i][3] = all_speeches[i][3].replace(
', >>>', ' >>>')
if ('(ko' in all_speeches[i][2] and 'uhemies' in all_speeches[i][2]):
all_speeches[i][2] = all_speeches[i][2].partition('(')[
0].strip()
all_speeches[i][4] = '(koputtaa)' + all_speeches[i][4]
if ('(ruotsiksi)' in all_speeches[i][2] and 'Ikäpuhemies' in all_speeches[i][2]):
all_speeches[i][2] = all_speeches[i][2].partition('(')[
0].strip()
all_speeches[i][4] = '(ruotsiksi)' + all_speeches[i][4]
if all_speeches[i][2].strip() == 'Puhuja':
if 'uhemies' in all_speeches[i-1][2]:
all_speeches[i][2] = '<Puhuja>' + all_speeches[i-2][2]
else:
all_speeches[i][2] = '<Puhuja>' + all_speeches[i-1][2]
all_speeches[i][4] = re.sub(
' +\n', '', all_speeches[i][4]).strip('\n')
all_speeches[i][2] = re.sub(
',? ?(joka )?lausu(en|akseen|u)', '', all_speeches[i][2])
writer.writerow(
[all_speeches[i][0], all_speeches[i][1], session_times[all_speeches[i][0]]['start'].strip('.'),
end.strip('.'), all_speeches[i][2], all_speeches[i][3], all_speeches[i][4], all_speeches[i][5], all_speeches[i][6]])
# print(len(all_speeches))
if __name__ == "__main__":
main(sys.argv[1])