X-Git-Url: https://git.mdrn.pl/librarian.git/blobdiff_plain/acce82fe7f7b293328d241588e03b4b3b7171822..d4beaf40d156e3aabb4c8f7e6b0d034d9d0d5ad8:/librarian/text.py diff --git a/librarian/text.py b/librarian/text.py index a6acd8a..d99e7cf 100644 --- a/librarian/text.py +++ b/librarian/text.py @@ -3,114 +3,89 @@ # This file is part of Librarian, licensed under GNU Affero GPLv3 or later. # Copyright © Fundacja Nowoczesna Polska. See NOTICE for more information. # -from librarian import dcparser, parser +import copy +from librarian import functions, OutputFile from lxml import etree -import cStringIO -import codecs import os -import re -ENTITY_SUBSTITUTIONS = [ - (u'---', u'—'), - (u'--', u'–'), - (u'...', u'…'), - (u',,', u'„'), - (u'"', u'”'), -] - +functions.reg_substitute_entities() +functions.reg_wrap_words() +functions.reg_strip() +functions.reg_person_name() TEMPLATE = u"""\ -Kodowanie znaków w dokumencie: UTF-8. ------ -Publikacja zrealizowana w ramach projektu Wolne Lektury (http://wolnelektury.pl/). Reprodukcja cyfrowa wykonana przez -Bibliotekę Narodową z egzemplarza pochodzącego ze zbiorów BN. -\n%(license_description)s. - -Wersja lektury w opracowaniu merytorycznym i krytycznym (przypisy i motywy) dostępna jest na stronie %(url)s. ------ - - - %(text)s -""" - - -def strip(context, text): - """Remove unneeded whitespace from beginning and end""" - if isinstance(text, list): - text = ''.join(text) - return re.sub(r'\s+', ' ', text).strip() -def substitute_entities(context, text): - """XPath extension function converting all entites in passed text.""" - if isinstance(text, list): - text = ''.join(text) - for entity, substitutution in ENTITY_SUBSTITUTIONS: - text = text.replace(entity, substitutution) - return text - - -def wrap_words(context, text, wrapping): - """XPath extension function automatically wrapping words in passed text""" - if isinstance(text, list): - text = ''.join(text) - if not wrapping: - return text - - words = re.split(r'\s', text) - - line_length = 0 - lines = [[]] - for word in words: - line_length += len(word) + 1 - if line_length > wrapping: - # Max line length was exceeded. We create new line - lines.append([]) - line_length = len(word) - lines[-1].append(word) - return '\n'.join(' '.join(line) for line in lines) +----- +Ta lektura, podobnie jak tysiące innych, dostępna jest na stronie wolnelektury.pl. +Wersja lektury w opracowaniu merytorycznym i krytycznym (przypisy i motywy) dostępna jest na stronie %(url)s. +Utwór opracowany został w ramach projektu Wolne Lektury przez fundację Nowoczesna Polska. -# Register substitute_entities function with lxml -ns = etree.FunctionNamespace('http://wolnelektury.pl/functions') -ns['strip'] = strip -ns['substitute_entities'] = substitute_entities -ns['wrap_words'] = wrap_words +%(license_description)s.%(source)s +%(description)s%(contributors)s +""" -def transform(input_filename, output_filename, is_file=True, parse_dublincore=True, **options): - """Transforms file input_filename in XML to output_filename in TXT.""" +def transform(wldoc, flags=None, **options): + """ + Transforms input_file in XML to output_file in TXT. + possible flags: raw-text, + """ # Parse XSLT style_filename = os.path.join(os.path.dirname(__file__), 'xslt/book2txt.xslt') style = etree.parse(style_filename) - if is_file: - document = parser.WLDocument.from_file(input_filename, True, parse_dublincore=parse_dublincore) - else: - document = parser.WLDocument.from_string(input_filename, True, parse_dublincore=parse_dublincore) + document = copy.deepcopy(wldoc) + del wldoc + document.swap_endlines() - result = document.transform(style, **options) + if flags: + for flag in flags: + document.edoc.getroot().set(flag, 'yes') - output_file = codecs.open(output_filename, 'wb', encoding='utf-8') + result = document.transform(style, **options) - if parse_dublincore: - parsed_dc = dcparser.parse(input_filename) - url = parsed_dc.url - license_description = parsed_dc.license_description - license = parsed_dc.license - if license: - license_description = u"Ten utwór jest udostepniony na licencji %s: \n%s" % (license_description, license) + if not flags or 'raw-text' not in flags: + if document.book_info: + parsed_dc = document.book_info + description = parsed_dc.description + url = document.book_info.url + + license_description = parsed_dc.license_description + license = parsed_dc.license + if license: + license_description = u"Ten utwór jest udostepniony na licencji %s: \n%s" % (license_description, license) + else: + license_description = u"Ten utwór nie jest chroniony prawem autorskim i znajduje się w domenie publicznej, co oznacza że możesz go swobodnie wykorzystywać, publikować i rozpowszechniać. Jeśli utwór opatrzony jest dodatkowymi materiałami (przypisy, motywy literackie etc.), które podlegają prawu autorskiemu, to te dodatkowe materiały udostępnione są na licencji Creative Commons Uznanie Autorstwa – Na Tych Samych Warunkach 3.0 PL (http://creativecommons.org/licenses/by-sa/3.0/)" + + source = parsed_dc.source_name + if source: + source = "\n\nTekst opracowany na podstawie: " + source + else: + source = '' + + contributors = ', '.join(person.readable() for person in + sorted(set(p for p in (parsed_dc.technical_editors + parsed_dc.editors) if p))) + if contributors: + contributors = "\n\nOpracowanie redakcyjne i przypisy: %s" % contributors else: - license_description = u"Ten utwór nie jest chroniony prawem autorskim i znajduje się w domenie publicznej, co oznacza, że możesz go swobodnie wykorzystywać, publikować i rozpowszechniać" + description = 'Publikacja zrealizowana w ramach projektu Wolne Lektury (http://wolnelektury.pl).' + url = '*' * 10 + license = "" + license_description = "" + source = "" + contributors = "" + return OutputFile.from_string((TEMPLATE % { + 'description': description, + 'url': url, + 'license_description': license_description, + 'text': unicode(result), + 'source': source, + 'contributors': contributors, + }).encode('utf-8')) else: - url = '*' * 10 - license = "" - license_description = "" - output_file.write(TEMPLATE % { - 'url': url, - 'license_description': license_description, - 'text': unicode(result), - }) + return OutputFile.from_string(unicode(result).encode('utf-8'))