lib/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     add_anchors(result.getroot())
  57     add_table_of_contents(result.getroot())
  58     result.write(output_filename, xml_declaration=False, pretty_print=True, encoding='utf-8')
  59
  60
  61 class Fragment(object):
  62     def __init__(self, id, themes):
  63         super(Fragment, self).__init__()
  64         self.id = id
  65         self.themes = themes
  66         self.events = []
  67
  68     def append(self, event, element):
  69         self.events.append((event, element))
  70
  71     def closed_events(self):
  72         stack = []
  73         for event, element in self.events:
  74             if event == 'start':
  75                 stack.append(('end', element))
  76             elif event == 'end':
  77                 try:
  78                     stack.pop()
  79                 except IndexError:
  80                     print 'CLOSED NON-OPEN TAG:', element
  81
  82         stack.reverse()
  83         return self.events + stack
  84
  85     def to_string(self):
  86         result = []
  87         for event, element in self.closed_events():
  88             if event == 'start':
  89                 result.append(u'<%s %s>' % (element.tag, ' '.join('%s="%s"' % (k, v) for k, v in element.attrib.items())))
  90                 if element.text:
  91                     result.append(element.text)
  92             elif event == 'end':
  93                 result.append(u'</%s>' % element.tag)
  94                 if element.tail:
  95                     result.append(element.tail)
  96             else:
  97                 result.append(element)
  98
  99         return ''.join(result)
 100
 101     def __unicode__(self):
 102         return self.to_string()
 103
 104
 105 def extract_fragments(input_filename):
 106     """Extracts theme fragments from input_filename."""
 107     open_fragments = {}
 108     closed_fragments = {}
 109
 110     for event, element in etree.iterparse(input_filename, events=('start', 'end')):
 111         # Process begin and end elements
 112         if element.get('class', '') in ('theme-begin', 'theme-end'):
 113             if not event == 'end': continue # Process elements only once, on end event
 114
 115             # Open new fragment
 116             if element.get('class', '') == 'theme-begin':
 117                 fragment = Fragment(id=element.get('fid'), themes=element.text)
 118
 119                 # Append parents
 120                 if element.getparent().get('id', None) != 'book-text':
 121                     parents = [element.getparent()]
 122                     while parents[-1].getparent().get('id', None) != 'book-text':
 123                         parents.append(parents[-1].getparent())
 124
 125                     parents.reverse()
 126                     for parent in parents:
 127                         fragment.append('start', parent)
 128
 129                 open_fragments[fragment.id] = fragment
 130
 131             # Close existing fragment
 132             else:
 133                 try:
 134                     fragment = open_fragments[element.get('fid')]
 135                 except KeyError:
 136                     print '%s:closed not open fragment #%s' % (input_filename, element.get('fid'))
 137                 else:
 138                     closed_fragments[fragment.id] = fragment
 139                     del open_fragments[fragment.id]
 140
 141             # Append element tail to lost_text (we don't want to lose any text)
 142             if element.tail:
 143                 for fragment_id in open_fragments:
 144                     open_fragments[fragment_id].append('text', element.tail)
 145
 146
 147         # Process all elements except begin and end
 148         else:
 149             # Omit annotation tags
 150             if len(element.get('name', '')) or element.get('class', '') == 'annotation':
 151                 if event == 'end' and element.tail:
 152                     for fragment_id in open_fragments:
 153                         open_fragments[fragment_id].append('text', element.tail)
 154             else:
 155                 for fragment_id in open_fragments:
 156                     open_fragments[fragment_id].append(event, copy.copy(element))
 157
 158     return closed_fragments, open_fragments
 159
 160
 161 def add_anchor(element, number):
 162     anchor = etree.Element('a', href='#f%d' % number)
 163     anchor.set('class', 'anchor')
 164     anchor.text = str(number)
 165     if element.text:
 166         anchor.tail = element.text
 167         element.text = u''
 168     element.insert(0, anchor)
 169
 170     anchor_target = etree.Element('a', name='f%d' % number)
 171     element.insert(0, anchor_target)
 172
 173
 174 def any_ancestor(element, test):
 175     for ancestor in element.iterancestors():
 176         if test(ancestor):
 177             return True
 178     return False
 179
 180
 181 def add_anchors(root):
 182     counter = 1
 183     for element in root.iterdescendants():
 184         if any_ancestor(element, lambda e: e.get('class') in ('note', 'motto', 'motto_podpis', 'dedication')
 185         or e.tag == 'blockquote'):
 186             continue
 187
 188         if element.tag == 'p' and 'verse' in element.get('class', ''):
 189             if counter == 1 or counter % 5 == 0:
 190                 add_anchor(element, counter)
 191             counter += 1
 192         elif 'paragraph' in element.get('class', ''):
 193             add_anchor(element, counter)
 194             counter += 1
 195
 196
 197 def add_table_of_contents(root):
 198     sections = []
 199
 200     for element in root.iterdescendants():
 201         if element.tag in ('h2', 'h3'):
 202             if element.tag == 'h3' and len(sections) and sections[-1][0] == 'h2':
 203                 sections[-1][2].append((element.tag, ''.join(element.xpath('descendant-or-self::text()')), []))
 204             else:
 205                 sections.append((element.tag, ''.join(element.xpath('descendant-or-self::text()')), []))
 206
 207     toc = etree.Element('div')
 208     toc.set('id', 'toc')
 209     toc_header = etree.SubElement(toc, 'h2')
 210     toc_header.text = u'Spis treści'
 211     toc_list = etree.SubElement(toc, 'ol')
 212
 213     for section, text, subsections in sections:
 214         section_element = etree.SubElement(toc_list, 'li')
 215         section_element.text = text
 216         if len(subsections):
 217             subsection_list = etree.SubElement(section_element, 'ol')
 218             for subsection, text, _ in subsections:
 219                 subsection_element = etree.SubElement(subsection_list, 'li')
 220                 subsection_element.text = text
 221     root.insert(0, toc)
 222