from vaderSentiment_fr.vaderSentiment import SentimentIntensityAnalyzer

#Emplacements des fichiers contenants le lexique et les avis
lexiconPath = r"C:\Users\kesha\Desktop\TelecomParis\PACT\fr_lexicon.txt"
reviewPath = r"C:\Users\kesha\Desktop\TelecomParis\PACT\LouvreAvis.txt"

#Création d'une liste de listes ordonnée alphabétiquement pour ne pas
#avoir à chercher un mot d'un avis dans le lexique en entier à chaque fois.
#La dernière case correspond aux expressions n'étant pas des mots.
scoreWords = open(lexiconPath, "r")
scoreTable = [[] for i in range(27)]
line = scoreWords.readline()

#Fonction d'ajout d'une paire mot-score par ordre alphabétique avec les
#expressions n'étant pas des mots à la dernière case.
#L'indice de la bonne case est trouvée avec le code ASCII en minuscule
#(a vaut 97 et z vaut 122)
def add(scoreword):
    if (ord(scoreword[0][0]) < 97 or ord(scoreword[0][0]) > 122):
        scoreTable[26].append(scoreword)
    else:
        scoreTable[ord(scoreword[0][0])-97].append(scoreword)

#Ajout des paires mot-score dans scoreTable
while (line != ''):
    line = line.strip().split("->")
    add([line[0].lower(), float(line[1])])
    line = scoreWords.readline()
scoreWords.close()

### Partie analyse d'avis ###


file = open(reviewPath, "r", encoding='UTF-8')
reviews = (file.read()).split('//')


#liste (partielle) de mots-clé pertinents pour un musée
keys=['attente', "d'attente",  'queue', 'patienter', 'patience', 'patient',
      'patients', 'patiente', 'patientes', 'file', 'files',
      'impolitesse' ,'impolie', 'impolies', 'impoli', 'impolis',
      'gentillesse', 'amabilité', 'aimable', 'aimables','gentil', 'gentils',
      'gentille', 'gentilles', 'personnel',
      'sales', 'sale', 'saleté', 'propre', 'propres', 'propreté',
      'acceuil', 'prix', 'cher', 'chers', 'chère', 'chères',
      'onéreux', 'onéreuse', 'onéreuses', 'abordable',
      'raisonnable', 'raisonnables', 'accessible', 'accessibilité',
      'handicapé', 'handicapée', 'handicapés', 'handicapées', 'orienter','employé',
      'employés', 'employées', 'employée', 'agent', 'agente',
      'orientation', 'orienté', "s'orienter", 'dédale',
      'désorienter', 'désorienté', 'désorientée', 'désorientés', 'désorientées',
      'panneau', 'panneaux', 'signalétique', 'labyrinthe',
      'perdu', 'perdus', 'perdue', 'perdues',
      'toilettes',
      'restaurant', 'restaurants', 'restauration', 'manger', 'mangé', 'déjeuner', 'déjeuné']

#Tableau de paires mots-clé, score associé
keyWords = []

#Score moyen d'un avis
averageScore = 0

vaderScore = {'neg': 0, 'neu': 0, 'pos': 0, 'compound': 0}

SIA = SentimentIntensityAnalyzer()


#Fonction de recherche d'un mot d'un avis parmis le lexique
def search(word):
    if (len(word) != 0):
        if (ord(word[0]) < 97 or ord(word[0]) > 122):
            mots = list(e[0] for e in scoreTable[26])
            if (word in mots):
                return([word, scoreTable[26][mots.index(word)][1]])
            else:
                return(-1)
        mots = list(e[0] for e in scoreTable[ord(word[0])-97])
        if (word in mots):
            return([word, scoreTable[ord(word[0])-97][mots.index(word)][1]])
    return(-1)

#Fonction déterminant si une phrase contient une négation et renvoyant un booléen
def isNegative(sentence):
    if (('ne' in sentence) or ("n'" in sentence) or ("pas" in sentence)):
        return True
    return False
    
vaderCriteria = ['neg', 'neu', 'pos', 'compound']

def ReviewAnalyzer(review):
    reviewScore = 0
    
    #miniKey donne les mots-clé contenus dans l'avis en train d'être analysé
    miniKey = []
    
    ### Recherche de mots positifs/négatifs ###
    
    #On découpe l'avis en une liste de phrases
    sentences = Review.split('.')
    for sent in sentences:

        #On découpe la phrase en une liste de mots
        sentence = list(e.strip(',.') for e in sent.split())
        for Word in sentence:
            
            #On met tout les mots en minuscule pour ne pas prendre en compte les majuscules
            word = Word.lower()
            temp = search(word)
            
            #recherche d'un éventuel mot-clé associé à ce caractère positif/négatif
            if (temp != -1):
                        
                #On change la valeur du score associé au mot-clé
                #si la phrase contient une négation
                if (isNegative(sentence)):
                    temp[1] = -temp[1]

                for key in keys:
                    if (key in sentence):
                        
                        #Récupération des mots-clés déjà détectés dans tous les avis
                        cles = list(e[0] for e in keyWords)
                        
                        #En fonction de si key a déjà été détecté auparavant,
                        #et donc qu'il est dans keyWords avec un score associé,
                        #on augmente le score ou sinon, on crée une paire mot-clé score
                        if (key in cles):
                            keyWords[cles.index(key)][1] += temp[1]
                        else:
                            keyWords.append([key, temp[1]])
                            
                        #Rajout du mot-clé key dans la liste des mots-clé trouvés dans cet avis
                        miniKey.append(key)
                        
                #Mise à jour du score de l'avis
                reviewScore += temp[1]
    
    #Caractéristiques de l'avis analysé
    miniKey = set(miniKey)
    return(miniKey, reviewScore)

for Review in reviews:
    ReviewAnalayzer(Review)
    
    #Ces 3 lignes sont pour comparer avec le score de VADER
    score = SIA.polarity_scores(sent)
    for criteria in vaderCriteria:
        vaderScore[criteria] += score[criteria]    

averageScore /= len(reviews)
print("Format: [[Mot-clé, score associé]]")
for e in keyWords:
    print(e)
print('')
print("Nombre d'avis: ", len(reviews))
print("Score moyen d'un avis: ", averageScore)
for criteria in vaderCriteria:
    vaderScore[criteria] /= len(reviews)
print("Score moyen de vader d'un avis: ", vaderScore)
file.close()