"""Vyhledávání slov textu, vytvoření konkordančních řádků (hledaná slova v kontextu např. 3 slov zleva a zprava),
uložení takto vytvořených konkordančních řádků, nahrazování (např. "ch" za X), RE"""


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


# nahrazeni vice znaku
text_bez_interpunkce = obsah.translate(str.maketrans({',':'', '.':'', '!':'', '?':''}))
print(text_bez_interpunkce)

text_bez_interpunkce_lc = text_bez_interpunkce.lower()
print(text_bez_interpunkce_lc)




#RE - udelam nejaky uvod
# cviceni na RE: https://regexone.com/
# https://docs.python.org/3/library/re.html
# Michal: 

import re
# help(re)
#https://docs.python.org/3.9/library/re.html

#budeme pracovat retezci, tj. puvodnim textem, ktery jsme tokenizovali vyse
#jednoduche zjisteni, zda se dany retezec vyskytuje v textu
#funkce hlasi jen prvni vyskyt, ale to je ted jedno

print(text_bez_interpunkce_lc)

slovo = "vám"
print(re.search(slovo, text_bez_interpunkce_lc))

slovo = "vám"
if re.search(slovo, text_bez_interpunkce_lc):
    print(f"Je tam slovo '{slovo}'")
else:
    print(f"Není tam slovo '{slovo}'")



#vysvetlit: symboly \w, \b atd. http://programujte.com/clanek/2007110100-regularni-vyrazy-v-pythonu-1-cast/
#vysvetlit: ., *,+,[],\,|,^,{},?, $

# !!! nedelat
# r01 = "týden má 7 dnů (vždy)"
# re.findall("d",r01)
# re.findall("\d",r01)
# re.findall("(",r01)

# r02 = "týden má 7 dnů \vždy\"
# r03 = "týden má 7 dnů \\vždy\\"
# r04 = "týden má 7 dnů "vždy""
# r05 = "týden má 7 dnů \"vždy\""

# r04 = r"týden má 7 dnů "vždy""



#vyhneme se dvema zpetnym lomitkum
#r' řekne pythonu, vykašli se na escape sekvence, čti to jako znaky
#je treba se podivat na seznam tec symbolu https://docs.python.org/3/reference/lexical_analysis.html#string-and-bytes-literals
# !!! https://docs.python.org/3/reference/lexical_analysis.html#escape-sequences

#ukolem bude najit vsechna slova obsahujici urcite rezce, pujdem krok za krokem
#re.findall() vraci seznam, jen retezce, ktere se napisi



hledane_retezce = 'žs' #vrati jen tyto retezce
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)


#prida z kazde strany jeden znak
hledane_retezce = '.žs.' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)


#je to moc zrave, vrati cely text, musime to omezit na hranice slova



hledane_retezce = '.*žs.*' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)


# najde zacatek slova po dany retezec
# \w: libovolné písmeno, číslice včetně podtržítka
hledane_retezce = '\w*žs' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)






# UKOL: koncete predchozi dotaz tak, aby vratil cela slova obsahujici 'žs'

#vrati cela slova obsahujici damy retezec
hledane_retezce = '\w*žs\w*' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)



# dat jim tabulku z tohoto http://programujte.com/clanek/2007110100-regularni-vyrazy-v-pythonu-1-cast/



# UKOL: vyhledat slova začínající na 'ne-'a


# nefunguje - zpetne lomitko pred b neni zpetny lomitkem, ktere zbavi b funkce RE
hledane_retezce = '\bne\w*' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)




# alternativa
hledane_retezce = '\\bne\w*' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)



# alternatva
hledane_retezce = '\b*ne\w*' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)

# alternatva - nemusime se starat o escape znaky
hledane_retezce = r'\bne\w*' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)




# alternatva - nemusime se starat o escape znaky
hledane_retezce = r'\w*t\s\w*' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)



# #vyhledat slova začínající na 'ne-'a
# # !!! jen v seznamech
# hledane_retezce = r'^ne' #?proc nefunguji ^ a $? protoze znaky ^ a $ oznacuji zacatek/konec celeho retezce
# slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
# print(slovo_vyskyty)

#ÚKOL: vyhledat slova začínající na 'zá-'a zakončená na '-m'




hledane_retezce = r'\bzá\w*m\b' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)





#UKOL vyhledat slova  v délce 1 písmene
hledane_retezce = r'\b\w\b' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)

hledane_retezce = r'\b\w{2,3}\b'
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)


#UKOL vyhledat slova  v délce 2 nebo 3 písmena




hledane_retezce = r'\b\w{2,3}\b' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)


#UKOL vyhledat slova v delší než 10 písmen

vzor5 = r'\b\w{10,}\b'
dlouhy = re.findall(vzor5, txt)
print (dlouhy)


hledane_retezce = r'\b\w{11,}\b' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)


# vyhledat cislice
hledane_retezce = r'\b\d+\b' #najde ale jen vyrazy z cislic
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)


# UKOL: vyhledejte vyrazy obsahující číslice 



hledane_retezce = r'\w*\d\w*' 
slovo_vyskyty = re.findall(hledane_retezce, text_bez_interpunkce_lc)
print(slovo_vyskyty)