bb5a637a2af39fea775a4b77d61d56a3c8af2022
[wolnelektury.git] / 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=True, 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.tag == 'span' and 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().tag != 'body':
121                     parents = [element.getparent()]
122                     while parents[-1].getparent().tag != 'body':
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