#!/usr/bin/perl

use strict;
use warnings;

# Limpa os caracteres < e > de um ficheiro XML
# que não dizem respeito a uma tag válida do 
# mesmo e especificada como parâmetro da função
#
# Invoca-se da seguinte forma:
# xmlclean <corpus-file> [-tag tag1,tag2,...,tagN]
#
# Resultado da invocação:
# ficheiro outfilecorpus.cor devidamente limpo
#
my $corpus_file = shift or die("./xmlclean <corpus-file> [-tag tag1,tag2,...,tagN]");
my $option = shift;
my @tags = @ARGV;
my %hash_tags = ();
my $i = 0;
my $pat;

$pat = "(" . join("|",@tags) . ")";

if ($option =~ "-tag") {
     open(FILE, "$corpus_file");
     open(OFILE, ">outfilecorpus.cor");
     while (<FILE>) {
			cleanTags($pat,$_);
			print OFILE $_;
     }
}

# Função que recebe como parâmetros o padrão das tags
# separadas por | e a expressão a substituir.
#
sub cleanTags {
	my $pattern = shift;
	my $expToSubstitute = shift;
	
	$expToSubstitute =~ s/<($pattern\b[^>]*)>/save($1)/ge;
	$expToSubstitute =~ s/<(\/$pattern\b)>/save($1)/ge;
   $expToSubstitute =~ s/<($pattern\b[^>]*\/)>/save($1)/ge;
   $expToSubstitute =~ s/</{/g;
   $expToSubstitute =~ s/>/}/g;	
   $expToSubstitute =~ s/__(\d+) __/<$hash_tags{"__$1 __"}>/g;	   
}

# Função que recebe uma expressão e guarda-a na hash de tags
#
sub save {
	my $exp = shift;
	$i++;
	$hash_tags{"__$i __"} = $exp;
	return "__$i __";
}