"""Načtení textu, tokenizace, vytvoření slovníku, frekvenčního seznamu, relativní frekvence slov, 
uspořádáné slovníky, stop list, vytvoření frekvenčního seznamu jen autosémantik"""

# nacteni obsahu z existujiciho souboru
with open('texty/text_01.txt', encoding='UTF-8') as f:
    obsah = f.read()
print(obsah)


# alternativa: file = open('file_path', 'w')



# zjisteni pracovniho adresare, kdyz dame soubor do nej, nemusime zadavat celou cestu
import os
print(os.getcwd())

# propadna zmena adresare
# os.chdir(cesta)

#!!! uporzornit, ze ted nebudeme resit problem s interpunkci

# rozseka nacteny text na slova do seznamu
slova = obsah.split()
print(slova)

# rozseka nacteny text na jednotky, jejichz hranici urcuje tecka
casti = obsah.split('.')
print(casti)


# pokud bysme to chteli bez tech non-braking spaces \xa0 znaku zobrazit, tak list comprehension [s.replace('\xa', '') for s in my_list]
# nebo for cyklem 

#predstavime se nejdrive replace fci

t01 = "Hovořím k\xa0vám v\xa0prvních hodinách roku nového"
print(t01)

t02 = t01.replace('\xa0', '')
print(t02)


casti_02 = []
for cast in casti:
    vycisteni = cast.replace('\xa0', ' ')
    casti_02.append(vycisteni)
print(casti_02)
# dat jim to jako ukol?


# rozseka nacteny text na radky do seznamu; pokud bysme meli kuprikladu basen, tak dostaneme seznamy versu
radky = obsah.split('\n')
print(radky)


# UKOL: vytisknete kazdou polozku seznamu casti na jeden radek, pouzujte for cyklus
for cast in casti:
    print(cast)
    
    
# pokud mam dlouhy text, chci si zobrazit je cast, napr. pro kontrolu
#UKOL: vytiknete 1) prvnich 100 znaku, 2) poslednich 100 znaku, 
# 3) prvnich 10 slov, 4) poslednich 10 slov daneho textu, 5) 9-20 slovo


print(obsah[0:100]) # vybrany pocet znaku
print(obsah[-100:]) # vybrany pocet poslednich znaku
print(slova[0:10]) # vybrany pocet slov
print(slova[-10:]) # vybrany pocet poslednich slov
print(slova[8:20]) # vybrany pocet slov - pripomenout, ze posledni hodnota se nezapocitava


# delka textu ve znacich
delka_ve_znacich = len(obsah) # meri se puvodni text
print(delka_ve_znacich)

# UKOL: vytisknout vetu 'Text má XY znaků.'; hodnotu xy vythnate z promenne delka_ve_znacich



print('Text má', delka_ve_znacich, 'znaků.')




# lepsi je f-string (https://docs.python.org/3/tutorial/inputoutput.html#fancier-output-formatting%22%22%22)
print(f"Text má {delka_ve_znacich} znaků")

# UKOL: zjistete delku textu v poctu slov
# zjisteni delky textu -> pocet polozek seznam (interpunkce nevadi, 
# protoze je prilepena na slovech)



delka_ve_slovech = len(slova) # meri se seznam slov
print(delka_ve_slovech)
#nebo
print(f'Text má {delka_ve_slovech} slov.')

# UKOL: potencialne se da predpokladat, ze delka slov se lisi napr. v ruznych typech textu, 
# je indikatorem readablity atp., zkusime vypocitat prumernou delku slova: 
# zjistime pocet znaku a avydeilme poctem slov
# jenze tam mame porad tu interpunkci - musi pryc

# TOKENIZACE
# je treba vyhazet vsechny nealfanumericke znaky

# nahrazeni jednoho znaku
print(obsah)
obsah_bez_carek = obsah.replace(',', '')
print(obsah_bez_carek)

# nahrazeni vice znaku
interpunkce = (',.!?')
text_bez_interpunkce = ''
for znak in obsah:
    if znak not in interpunkce:
        text_bez_interpunkce += znak
print(text_bez_interpunkce)

#alternativa
text_bez_interpunkce = obsah.translate(str.maketrans({',':'', '.':'', '!':'', '?':''}))
print(text_bez_interpunkce)
# Vysvetleni:
# slovnik `{',':'', '.':'', '!':'', '?':''}` predstavuje mapu: co za co se ma vymenit, 
# napr. znak `','` za prazdny znak `'`
# funkce `str.maketrans` prevede znaky uvedene v mape do jejich ciselne podoby
# funkce `.translate()` provede samotnou transformaci textu


# jeste musime zjisit pocet mezer v textu, protoze pocet znaku zapocitava i mezery
# spocitame mezery
pocet_mezer = text_bez_interpunkce.count(' ')
print(pocet_mezer)


# DOMACI UKOL
# spocitejte průmernou delku slova ve znacich a ulozte ji do promenne 'prumerna_delka_slova'
# pote vytisknete: 
# 
# 
# Text má xy znaků a yz slov. Průměrná délka slova je zz znaků.', pouzijte f-string