Tolino E-Book-Reader „notes.txt“ Parser

Parse.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

"""
Dieses Skript liest eine Datei (notes.txt) aus, die Markierungen von einem Tolino E-Book-Reader enthält,
und extrahiert die Markierungen ohne den restlichen Text.
Es trennt die Markierungen, wenn fünf aufeinanderfolgende Zeilenumbrüche, Tabs oder Leerzeichen auftreten.
Optional kann es die Zitate mit den richtigen Anführungszeichen versehen (Englisch: “ ”, Deutsch: „ “).
"""

import re
import argparse

def detect_language(text):
    """Erkennt die Sprache des Textes anhand häufiger deutscher und englischer Wörter."""
    german_words = ['und', 'der', 'die', 'das', 'ist', 'zu', 'ich', 'nicht', 'mit', 'es', 'ein', 'er', 'sie', 'wie']
    english_words = ['and', 'the', 'is', 'in', 'it', 'to', 'of', 'i', 'you', 'that', 'he', 'she', 'we', 'they', 'be']

    german_count = sum(word in text.lower() for word in german_words)
    english_count = sum(word in text.lower() for word in english_words)

    return 'german' if german_count > english_count else 'english'

def extract_markings(file_path, use_quotes):
    """Liest die Datei ein und extrahiert die Markierungen."""
    with open(file_path, 'r', encoding='utf-8') as file:
        content = file.read()
    
    # Inhalt nach dem Trenner aufteilen
    entries = content.split('-----------------------------------')

    # Liste zur Speicherung der extrahierten Markierungen
    markings = []

    for entry in entries:
        if 'Markierung' in entry:
            # Markierungstext extrahieren
            start = entry.find('Markierung') + len('Markierung auf Seite') + 5
            end = entry.find('Hinzugefügt am')
            marking = entry[start:end].strip()
            
            # Definiere den spezifischen Separator für mehrere Zitate in einem Eintrag (fünf Zeilen leerer Inhalt)
            specific_separator = r'(?:\s*\n\s*){5,}'

            # In einzelne Markierungen aufteilen basierend auf dem spezifischen Separator
            individual_markings = re.split(specific_separator, marking)
            for im in individual_markings:
                clean_marking = im.strip().replace('\n', ' ').replace('“', '').replace('”', '').replace('"', '')
                clean_marking = ' '.join(clean_marking.split())  # Entferne zusätzliche Leerzeichen
                if clean_marking:
                    if use_quotes:
                        # Sprache erkennen und entsprechende Anführungszeichen anwenden
                        language = detect_language(clean_marking)
                        if language == 'english':
                            clean_marking = f'“{clean_marking}”'
                        else:
                            clean_marking = f'„{clean_marking}“'
                    markings.append(clean_marking)

    return markings

def main():
    parser = argparse.ArgumentParser(description="Tolino E-Book-Reader „notes.txt“ Parser")
    parser.add_argument('--use-quotes', action='store_true', help="Zitate mit korrekten Anführungszeichen ausgeben.")
    args = parser.parse_args()

    file_path = 'notes.txt'
    markings = extract_markings(file_path, args.use_quotes)
    
    for i, marking in enumerate(markings):
        print(marking)
        if i < len(markings) - 1:
            print("\n")

if __name__ == "__main__":
    main()