Formes "code puis numéro"

[emnetter]

Gérer les références de type "C. civ., 1240". Seul l'ordre "numéro puis code" est actuellement supporté.

[c24b]

Auriez vous un document d'example avec ce format de référence ? pour adapter les regex en fonction du format choisi
voici une suggestion d'implementation qui permet d'appliquer le changement de pattern à la routine de detection.

ARTICLE_REGEX = r"(?P<art>(Articles?|Art\.))"
CODE_DICT  = {
    "CCIV": r"(?P<CCIV>Code civil|C\.\sciv\.|Code\sciv\.|C\.civ\.|civ\.|CCIV)",
...
}

CODE_REGEX = "|".join(CODE_DICT.values())

def switch_pattern(pattern="article_code"):
    """
    Build pattern recognition using pattern short code switch 

    Arguments:
        pattern: a string article_code or code_article 

    Returns:
        regex_pattern: compiled regex pattern 
    Raise:
        ValueError: pattern name is wrong
    """

    if pattern not in ["article_code", "code_article"]:
        raise ValueError("Wrong pattern name: choose between 'article_code' or 'code_article'")
    if pattern == "article_code":
        return re.compile(f"{ARTICLE_REGEX}(?P<ref>.*?)({CODE_REGEX})", flags=re.I)
    else:
        return re.compile(f"({CODE_REGEX}){ARTICLE_REGEX}(?P<ref>.*?)$)", flags=re.I)

def match_code_and_articles(full_text, pattern_format="article_code"):
    """"
    Detect law articles of supported codes 
    
    Arguments:
        full_text: a string of the full document normalized
        pattern_format: a string representing the pattern format article_code or code_article. Defaut to article_code

    Returns:
        code_found: a dict compose of short version of code as key and list of the detected articles references  as values {code: [art_ref, art_ref2, ... ]}
    """
    article_pattern = switch_pattern(pattern_format)
    code_found = {}
    
    #normalisation
    full_text = re.sub(r"\r|\n|\t|\xa0", " ", " ".join(full_text))
    for i, match in enumerate(re.finditer(article_pattern, full_text)):
       ....
   return cound_found

[emnetter]

Voici un fichier en PJ fourni par une collègue qui emploie des formes du type (C. trav., art. L. 1132-2) Mais on voit bien, avec ce fichier, la grande difficulté de la tâche, puisque hors parenthèses, quand elle place une référence dans le fil de son discours, elle place le numéro d'article avant le nom du code, ainsi qu'on le ferait à l'oral. Pire, la plupart du temps, elle cite le nom d'un code une fois puis, pendant plusieurs pages, elle donne seulement les numéros sans redonner aucun nom de code ni avant ni après. C'est en songeant à son cas de figure que j'avais envisagé la réaction : "si on rencontre un numéro d'article orphelin, lui appliquer le dernier code antérieurement cité". Je suis preneur de vos analyses sur ces difficiles défis !

…

------- Original Message ------- Le samedi 29 octobre 2022 à 00:42, c24b ***@***.***> a écrit :

Auriez vous un document d'example avec ce format de référence ? pour adapter les regex en fonction du format choisi voici une suggestion d'implementation qui permet d'appliquer le changement de pattern à la routine de detection. ARTICLE_REGEX = r"(?P<art>(Articles?|Art\.))" CODE_DICT = { "CCIV": r"(?P<CCIV>Code civil|C\.\sciv\.|Code\sciv\.|C\.civ\.|civ\.|CCIV)", ... } CODE_REGEX = "|".join(CODE_DICT.values()) def switch_pattern(pattern="article_code"): """ Build pattern recognition using pattern short code switch Arguments: pattern: a string article_code or code_article Returns: regex_pattern: compiled regex pattern Raise: ValueError: pattern name is wrong """ if pattern not in ["article_code", "code_article"]: raise ValueError("Wrong pattern name: choose between 'article_code' or 'code_article'") if pattern == "article_code": return re.compile(f"{ARTICLE_REGEX}(?P<ref>.*?)({CODE_REGEX})", flags=re.I) else: return re.compile(f"({CODE_REGEX}){ARTICLE_REGEX}(?P<ref>.*?)$)", flags=re.I) def match_code_and_articles(full_text, pattern_format="article_code"): """" Detect law articles of supported codes Arguments: full_text: a string of the full document normalized pattern_format: a string representing the pattern format article_code or code_article. Defaut to article_code Returns: code_found: a dict compose of short version of code as key and list of the detected articles references as values {code: [art_ref, art_ref2, ... ]} """ article_pattern = switch_pattern(pattern_format) code_found = {} #normalisation full_text = re.sub(r"\r|\n|\t|\xa0", " ", " ".join(full_text)) for i, match in enumerate(re.finditer(article_pattern, full_text)): .... return cound_found — Reply to this email directly, [view it on GitHub](#11 (comment)), or [unsubscribe](https://github.com/notifications/unsubscribe-auth/ATNQ4JECETI6B4SFL4II43LWFRJF3ANCNFSM576K4V2A). You are receiving this because you authored the thread.Message ID: ***@***.***>