# coding=utf-8

import os

import re

import string

__author__ = 'peng'

from xml.dom import minidom

import sys

def xmlToTxt(xmlString):

#打开文件 把汉字编号gbk改成utf-8格式

file_xml = open(xmlString, "r").read()

file_xml = file_xml.replace('<?xml  version="1.0" encoding="gbk" standalone="no" ?>','<?xml  version="1.0" encoding="utf-8" standalone="no" ?>')

file_xml = unicode(file_xml, encoding='gbk').encode('utf-8')

doc = minidom.parseString(file_xml)

#解析XML，text和instance的内容

root = doc.documentElement

texts = root.getElementsByTagName("text")

instances = root.getElementsByTagName("instance")

#循环读取instances数据并做数据入库准备

for instance in instances:

print("-------------------------------------------")

print (instance.getAttribute("waveuri").split('/')[1])

text_name = instance.getAttribute("waveuri").split('/')[1]

print("-------------------------------------------")

reload(sys)

sys.setdefaultencoding( "utf-8" )

file_text_name = "e:\\"+text_name+ ".txt"

print(file_text_name.replace(' ',''))

#打开另外一个文件内容，对数据进行填写

file_text = open(file_text_name,"w")

#读取数据并去除标点符号

for text in texts:

print("-------------------------------------------")

print (text.nodeName)

if (len(text.toxml().split(''))==1):

txt = ""

else:

txt =text.toxml().split('')[1].split('')[0]

print(type(txt.encode('utf-8')))

#去除标点符号编码，只能一个一个来，如果写循环会出现乱码，原因未知

finalstring = txt.encode('utf-8')

identify = '，'

finalstring = finalstring.replace(identify, "")

identify = '。'

finalstring = finalstring.replace(identify, "")

identify = '！'

finalstring = finalstring.replace(identify, "")

identify = '？'

finalstring = finalstring.replace(identify, "")

print(finalstring)

#最终写入数据

file_text.write(finalstring)

print("-------------------------------------------")

file_text.close()

if ( __name__ == "__main__"):

#文件地址

source = "e:\\" +"文件地址"

#循环读取文件调用方法解析

for root, dirs, files in os.walk( source ):

for OneFileName in files :

print(OneFileName)

xmlToTxt("e:\\"+ "文件地址" +OneFileName)