librarian/html.py

   1 # -*- coding: utf-8 -*-
   2 import os
   3 import cStringIO
   4 import re
   5 import copy
   6 import pkgutil
   7
   8 from lxml import etree
   9
  10
  11 ENTITY_SUBSTITUTIONS = [
  12     (u'---', u'—'),
  13     (u'--', u'–'),
  14     (u'...', u'…'),
  15     (u',,', u'„'),
  16     (u'"', u'”'),
  17 ]
  18
  19
  20 def substitute_entities(context, text):
  21     """XPath extension function converting all entites in passed text."""
  22     if isinstance(text, list):
  23         text = ''.join(text)
  24     for entity, substitutution in ENTITY_SUBSTITUTIONS:
  25         text = text.replace(entity, substitutution)
  26     return text
  27
  28
  29 # Register substitute_entities function with lxml
  30 ns = etree.FunctionNamespace('http://wolnelektury.pl/functions')
  31 ns['substitute_entities'] = substitute_entities
  32
  33
  34 def transform(input_filename, output_filename):
  35     """Transforms file input_filename in XML to output_filename in XHTML."""
  36     # Parse XSLT
  37     style_filename = os.path.join(os.path.dirname(__file__), 'book2html.xslt')
  38     style = etree.parse(style_filename)
  39
  40     doc_file = cStringIO.StringIO()
  41     expr = re.compile(r'/\s', re.MULTILINE | re.UNICODE);
  42
  43     f = open(input_filename, 'r')
  44     for line in f:
  45         line = line.decode('utf-8')
  46         line = expr.sub(u'<br/>\n', line)
  47         doc_file.write(line.encode('utf-8'))
  48     f.close()
  49
  50     doc_file.seek(0);
  51
  52     parser = etree.XMLParser(remove_blank_text=True)
  53     doc = etree.parse(doc_file, parser)
  54
  55     result = doc.xslt(style)
  56     if result.find('//p') is not None:
  57         add_anchors(result.getroot())
  58         add_table_of_contents(result.getroot())
  59         result.write(output_filename, xml_declaration=False, pretty_print=True, encoding='utf-8')
  60         return True
  61     else:
  62         return False
  63
  64
  65 class Fragment(object):
  66     def __init__(self, id, themes):
  67         super(Fragment, self).__init__()
  68         self.id = id
  69         self.themes = themes
  70         self.events = []
  71
  72     def append(self, event, element):
  73         self.events.append((event, element))
  74
  75     def closed_events(self):
  76         stack = []
  77         for event, element in self.events:
  78             if event == 'start':
  79                 stack.append(('end', element))
  80             elif event == 'end':
  81                 try:
  82                     stack.pop()
  83                 except IndexError:
  84                     print 'CLOSED NON-OPEN TAG:', element
  85
  86         stack.reverse()
  87         return self.events + stack
  88
  89     def to_string(self):
  90         result = []
  91         for event, element in self.closed_events():
  92             if event == 'start':
  93                 result.append(u'<%s %s>' % (element.tag, ' '.join('%s="%s"' % (k, v) for k, v in element.attrib.items())))
  94                 if element.text:
  95                     result.append(element.text)
  96             elif event == 'end':
  97                 result.append(u'</%s>' % element.tag)
  98                 if element.tail:
  99                     result.append(element.tail)
 100             else:
 101                 result.append(element)
 102
 103         return ''.join(result)
 104
 105     def __unicode__(self):
 106         return self.to_string()
 107
 108
 109 def extract_fragments(input_filename):
 110     """Extracts theme fragments from input_filename."""
 111     open_fragments = {}
 112     closed_fragments = {}
 113
 114     for event, element in etree.iterparse(input_filename, events=('start', 'end')):
 115         # Process begin and end elements
 116         if element.get('class', '') in ('theme-begin', 'theme-end'):
 117             if not event == 'end': continue # Process elements only once, on end event
 118
 119             # Open new fragment
 120             if element.get('class', '') == 'theme-begin':
 121                 fragment = Fragment(id=element.get('fid'), themes=element.text)
 122
 123                 # Append parents
 124                 if element.getparent().get('id', None) != 'book-text':
 125                     parents = [element.getparent()]
 126                     while parents[-1].getparent().get('id', None) != 'book-text':
 127                         parents.append(parents[-1].getparent())
 128
 129                     parents.reverse()
 130                     for parent in parents:
 131                         fragment.append('start', parent)
 132
 133                 open_fragments[fragment.id] = fragment
 134
 135             # Close existing fragment
 136             else:
 137                 try:
 138                     fragment = open_fragments[element.get('fid')]
 139                 except KeyError:
 140                     print '%s:closed not open fragment #%s' % (input_filename, element.get('fid'))
 141                 else:
 142                     closed_fragments[fragment.id] = fragment
 143                     del open_fragments[fragment.id]
 144
 145             # Append element tail to lost_text (we don't want to lose any text)
 146             if element.tail:
 147                 for fragment_id in open_fragments:
 148                     open_fragments[fragment_id].append('text', element.tail)
 149
 150
 151         # Process all elements except begin and end
 152         else:
 153             # Omit annotation tags
 154             if len(element.get('name', '')) or element.get('class', '') == 'annotation':
 155                 if event == 'end' and element.tail:
 156                     for fragment_id in open_fragments:
 157                         open_fragments[fragment_id].append('text', element.tail)
 158             else:
 159                 for fragment_id in open_fragments:
 160                     open_fragments[fragment_id].append(event, copy.copy(element))
 161
 162     return closed_fragments, open_fragments
 163
 164
 165 def add_anchor(element, prefix, with_link=True, with_target=True, link_text=None):
 166     if with_link:
 167         if link_text is None:
 168             link_text = prefix
 169         anchor = etree.Element('a', href='#%s' % prefix)
 170         anchor.set('class', 'anchor')
 171         anchor.text = unicode(link_text)
 172         if element.text:
 173             anchor.tail = element.text
 174             element.text = u''
 175         element.insert(0, anchor)
 176
 177     if with_target:
 178         anchor_target = etree.Element('a', name='%s' % prefix)
 179         anchor_target.set('class', 'target')
 180         anchor_target.text = u' '
 181         if element.text:
 182             anchor_target.tail = element.text
 183             element.text = u''
 184         element.insert(0, anchor_target)
 185
 186
 187 def any_ancestor(element, test):
 188     for ancestor in element.iterancestors():
 189         if test(ancestor):
 190             return True
 191     return False
 192
 193
 194 def add_anchors(root):
 195     counter = 1
 196     for element in root.iterdescendants():
 197         if any_ancestor(element, lambda e: e.get('class') in ('note', 'motto', 'motto_podpis', 'dedication')
 198         or e.tag == 'blockquote'):
 199             continue
 200
 201         if element.tag == 'p' and 'verse' in element.get('class', ''):
 202             if counter == 1 or counter % 5 == 0:
 203                 add_anchor(element, "f%d" % counter, link_text=counter)
 204             counter += 1
 205         elif 'paragraph' in element.get('class', ''):
 206             add_anchor(element, "f%d" % counter, link_text=counter)
 207             counter += 1
 208
 209
 210 def add_table_of_contents(root):
 211     sections = []
 212     counter = 1
 213     for element in root.iterdescendants():
 214         if element.tag in ('h2', 'h3'):
 215             if any_ancestor(element, lambda e: e.get('id') in ('footnotes',) or e.get('class') in ('person-list',)):
 216                 continue
 217
 218             if element.tag == 'h3' and len(sections) and sections[-1][1] == 'h2':
 219                 sections[-1][3].append((counter, element.tag, ''.join(element.xpath('text()')), []))
 220             else:
 221                 sections.append((counter, element.tag, ''.join(element.xpath('text()')), []))
 222             add_anchor(element, "s%d" % counter, with_link=False)
 223             counter += 1
 224
 225     toc = etree.Element('div')
 226     toc.set('id', 'toc')
 227     toc_header = etree.SubElement(toc, 'h2')
 228     toc_header.text = u'Spis treści'
 229     toc_list = etree.SubElement(toc, 'ol')
 230
 231     for n, section, text, subsections in sections:
 232         section_element = etree.SubElement(toc_list, 'li')
 233         add_anchor(section_element, "s%d" % n, with_target=False, link_text=text)
 234
 235         if len(subsections):
 236             subsection_list = etree.SubElement(section_element, 'ol')
 237             for n, subsection, text, _ in subsections:
 238                 subsection_element = etree.SubElement(subsection_list, 'li')
 239                 add_anchor(subsection_element, "s%d" % n, with_target=False, link_text=text)
 240
 241     root.insert(0, toc)
 242