koha-dev.rot13.org Git - koha_gimpoz/blob - misc/translator/text-extract2.pl

   1 #!/usr/bin/perl
   2
   3 # Test filter partially based on Ambrose's hideous subst.pl code
   4 # The idea is that the .tmpl files are not valid HTML, and as a result
   5 # HTML::Parse would be completely confused by these templates.
   6 # This is just a simple scanner (not a parser) & should give better results.
   7
   8 # This script is meant to be a drop-in replacement of text-extract.pl
   9
  10 # FIXME: Strings like "<< Prev" or "Next >>" may confuse *this* filter
  11 # TODO: Need to detect unclosed tags, empty tags, and other such stuff.
  12
  13 use Getopt::Long;
  14 use strict;
  15
  16 use vars qw( $input );
  17 use vars qw( $debug_dump_only_p );
  18
  19 ###############################################################################
  20
  21 # Hideous stuff
  22 use vars qw( $re_directive );
  23 BEGIN {
  24     # $re_directive must not do any backreferences
  25     $re_directive = q{<(?:(?i)(?:!--\s*)?\/?TMPL_(?:VAR|LOOP|INCLUDE|IF|ELSE|UNLESS)\b(?:\s+(?:[a-zA-Z][-a-zA-Z0-9]*=)?(?:'[^']*'|"[^"]*"|[^\s<>]+))\s*(?:--)?)>};
  26 }
  27
  28 # Hideous stuff from subst.pl, slightly modified to use the above hideous stuff
  29 # Note: The $re_tag's set $1 (<tag), $2 (>), and $3 (rest of string)
  30 use vars qw( $re_comment $re_entity_name $re_end_entity $re_etag );
  31 use vars qw( $re_tag_strict $re_tag_compat @re_tag );
  32 sub re_tag ($) {
  33    my($compat) = @_;
  34    my $etag = $compat? '>': '<>\/';
  35    # See the file "subst.pl.test1" for how the following mess is derived
  36    # Unfortunately, inserting $re_directive's has made this even messier
  37    q{(<\/?(?:|(?:"(?:} . $re_directive . q{|[^"])*"|'(?:} . $re_directive . q{|[^'])*'|--(?:[^-]|-[^-])*--|(?:} . $re_directive . q{|[^-"'} . $etag . q{]|-[^-]))+))([} . $etag . q{])(.*)};
  38 }
  39 BEGIN {
  40     $re_comment = '(?:--(?:[^-]|-[^-])*--)';
  41     $re_entity_name = '(?:[^&%#;<>\s]+)'; # NOTE: not really correct SGML
  42     $re_end_entity = '(?:;|$|(?=\s))'; # semicolon or before-whitespace
  43     $re_etag = q{(?:<\/?(?:"[^"]*"|'[^']*'|[^"'>\/])*[>\/])}; # end-tag
  44     @re_tag = ($re_tag_strict, $re_tag_compat) = (re_tag(0), re_tag(1));
  45 }
  46
  47 # End of the hideous stuff
  48
  49 sub KIND_TEXT      () { 'TEXT' }
  50 sub KIND_CDATA     () { 'CDATA' }
  51 sub KIND_TAG       () { 'TAG' }
  52 sub KIND_DECL      () { 'DECL' }
  53 sub KIND_PI        () { 'PI' }
  54 sub KIND_DIRECTIVE () { 'HTML::Template' }
  55 sub KIND_COMMENT   () { 'COMMENT' }   # empty DECL with exactly one SGML comment
  56 sub KIND_UNKNOWN   () { 'ERROR' }
  57
  58 use vars qw( $readahead $lc_0 $lc $syntaxerror_p );
  59 use vars qw( $cdata_mode_p $cdata_close );
  60
  61 sub extract_attributes ($;$) {
  62     my($s, $lc) = @_;
  63     my %attr;
  64     $s = $1 if $s =~ /^<\S+(.*)\S$/s; # should be always true
  65     for (my $i = 0; $s =~ /^\s+(?:([a-zA-Z][-a-zA-Z0-9]*)=)?('((?:$re_directive|[^'])*)'|"((?:$re_directive|[^"])*)"|(($re_directive|[^\s<>])+))/os;) {
  66         my($key, $val, $val_orig, $rest)
  67                 = ($1, (defined $3? $3: defined $4? $4: $5), $2, $');
  68         $i += 1;
  69         $attr{+lc($key)} = [$key, $val, $val_orig, $i];
  70         $s = $rest;
  71     }
  72     if ($s =~ /\S/s) { # should never happen
  73         warn "Warning: Strange attribute syntax"
  74                 . (defined $lc? " in line $lc": '') . ": $s\n";
  75     } else {
  76     }
  77     return \%attr;
  78 }
  79
  80 sub next_token_internal (*) {
  81     my($h) = @_;
  82     my($it, $kind);
  83     my $eof_p = 0;
  84     if (!defined $readahead || !length $readahead) {
  85         my $next = scalar <$h>;
  86         $eof_p = !defined $next;
  87         if (!$eof_p) {
  88             $lc += 1;
  89             $readahead .= $next;
  90         }
  91     }
  92     $lc_0 = $lc;                        # remember line number of first line
  93     if ($eof_p && !length $readahead) { # nothing left to do
  94         ;
  95     } elsif ($readahead =~ /^\s+/s) {   # whitespace
  96         ($kind, $it, $readahead) = (KIND_TEXT, $&, $');
  97     # FIXME the following (the [<\s] part) is an unreliable HACK :-(
  98     } elsif ($readahead =~ /^(?:[^<]|<[<\s])+/s) {      # non-space normal text
  99         ($kind, $it, $readahead) = (KIND_TEXT, $&, $');
 100         warn "Warning: Unescaped < in line $lc: $it\n" if $it =~ /</s;
 101     } else {                            # tag/declaration/processing instruction
 102         my $ok_p = 0;
 103         for (;;) {
 104             if ($cdata_mode_p) {
 105                 if ($readahead =~ /^$cdata_close/) {
 106                     ($kind, $it, $readahead) = (KIND_TAG, $&, $');
 107                     $ok_p = 1;
 108                 } else {
 109                     ($kind, $it, $readahead) = (KIND_TEXT, $readahead, undef);
 110                     $ok_p = 1;
 111                 }
 112             } elsif ($readahead =~ /^$re_tag_compat/os) {
 113                 ($kind, $it, $readahead) = (KIND_TAG, "$1$2", $3);
 114                 $ok_p = 1;
 115             } elsif ($readahead =~ /^<!--(?:(?!-->).)*-->/s) {
 116                 ($kind, $it, $readahead) = (KIND_COMMENT, $&, $');
 117                 $ok_p = 1;
 118                 warn "Warning: Syntax error in comment at line $lc_0: $&\n";
 119                 $syntaxerror_p = 1;
 120             }
 121         last if $ok_p;
 122             my $next = scalar <$h>;
 123             $eof_p = !defined $next;
 124         last if $eof_p;
 125             $lc += 1;
 126             $readahead .= $next;
 127         }
 128         if ($kind ne KIND_TAG) {
 129             ;
 130         } elsif ($it =~ /^<!/) {
 131             $kind = KIND_DECL;
 132             $kind = KIND_COMMENT if $it =~ /^<!--(?:(?!-->).)*-->/;
 133         } elsif ($it =~ /^<\?/) {
 134             $kind = KIND_PI;
 135         }
 136         if ($it =~ /^$re_directive/ios && !$cdata_mode_p) {
 137             $kind = KIND_DIRECTIVE;
 138         }
 139         ($kind, $it) = (KIND_UNKNOWN, $readahead)
 140                 if !$ok_p && $eof_p && !length $readahead;
 141     }
 142     return defined $it? (wantarray? ($kind, $it):
 143                                     [$kind, $it]): undef;
 144 }
 145
 146 sub next_token (*) {
 147     my($h) = @_;
 148     my $it;
 149     if (!$cdata_mode_p) {
 150         $it = next_token_internal($h);
 151         if (defined $it && $it->[0] eq KIND_TAG) { # FIXME
 152             ($cdata_mode_p, $cdata_close) = (1, "</$1\\s*>")
 153                     if $it->[1] =~ /^<(script|style|textarea)\b/i; #FIXME
 154             push @$it, extract_attributes($it->[1], $lc); #FIXME
 155         }
 156     } else {
 157         for (;;) {
 158             my $lc_prev = $lc;
 159             my $next = next_token_internal($h);
 160         last if !defined $next;
 161             if (defined $next && $next->[1] =~ /$cdata_close/i) { #FIXME
 162                 ($lc, $readahead) = ($lc_prev, $next->[1] . $readahead); #FIXME
 163                 $cdata_mode_p = 0;
 164             }
 165         last unless $cdata_mode_p;
 166             $it .= $next->[1]; #FIXME
 167         }
 168         $it = [KIND_CDATA, $it] if defined $it; #FIXME
 169         $cdata_close = undef;
 170     }
 171     return defined $it? (wantarray? @$it: $it): undef;
 172 }
 173
 174 ###############################################################################
 175
 176 sub debug_dump (*) { # for testing only
 177     my($h) = @_;
 178     print "re_tag_compat is /$re_tag_compat/\n";
 179     for (;;) {
 180         my $s = next_token $h;
 181     last unless defined $s;
 182         printf "%s\n", ('-' x 79);
 183         my($kind, $t, $attr) = @$s; # FIXME
 184         printf "%s:\n", $kind;
 185         printf "%4dH%s\n", length($t),
 186                 join('', map {/[\0-\37]/? $_: "$_\b$_"} split(//, $t));
 187         if ($kind eq KIND_TAG && %$attr) {
 188             printf "Attributes:\n";
 189             for my $a (keys %$attr) {
 190                 my($key, $val, $val_orig, $order) = @{$attr->{$a}};
 191                 printf "%s = %dH%s -- %s\n", $a, length $val,
 192                 join('', map {/[\0-\37]/? $_: "$_\b$_"} split(//, $val)),
 193                 $val_orig;
 194             }
 195         }
 196     }
 197 }
 198
 199 ###############################################################################
 200
 201 sub text_extract (*) {
 202     my($h) = @_;
 203     my %text = ();
 204     for (;;) {
 205         my $s = next_token $h;
 206     last unless defined $s;
 207         my($kind, $t, $attr) = @$s; # FIXME
 208         if ($kind eq KIND_TEXT) {
 209             $t =~ s/\s+$//s;
 210             $text{$t} = 1 if $t =~ /\S/s;
 211         } elsif ($kind eq KIND_TAG && %$attr) {
 212             # value [tag=input], meta
 213             my $tag = lc($1) if $t =~ /^<(\S+)/s;
 214             for my $a ('alt', 'content', 'title', 'value') {
 215                 if ($attr->{$a}) {
 216                     next if $a eq 'content' && $tag ne 'meta';
 217                     next if $a eq 'value' && ($tag ne 'input'
 218                         || (ref $attr->{'type'} && $attr->{'type'}->[1] eq 'hidden')); # FIXME
 219                     my($key, $val, $val_orig, $order) = @{$attr->{$a}}; #FIXME
 220                     $val =~ s/\s+$//s;
 221                     $text{$val} = 1 if $val =~ /\S/s;
 222                 }
 223             }
 224         }
 225     }
 226     for my $t (keys %text) {
 227         printf "%s\n", $t unless $t =~ /^(?:\s|\&nbsp;)*$/s;
 228     }
 229 }
 230
 231 ###############################################################################
 232
 233 GetOptions(
 234     'f|file=s' => \$input,
 235     'debug-dump-only-p' => \$debug_dump_only_p,
 236 ) || exit(-1);
 237
 238 open(INPUT, "<$input") || die "$0: $input: $!\n";
 239 if ($debug_dump_only_p) {
 240     debug_dump(*INPUT);
 241 } else {
 242     text_extract(*INPUT);
 243 }
 244
 245 warn "Warning: This input will not work with Mozilla standards-compliant mode\n"
 246         if $syntaxerror_p;
 247
 248 close INPUT;
 249