,'``.._ ,'``.
:,--._:)\,:,._,.: All Glory to
:`--,'' :`...';\ the HYPNO TOAD!
`,' `---' `.
/ :
/ ,' :\.___,-.
`...,---'``````-..._ |: ( ) ;: ) \ _,-.
`. ( // `' : `.// ) ) , ;
,-|`. _,'/ ) ) ,' ,'
( :`.`-..____..=:.-': . _,' ,'
`,'\ ``--....-)=' `._, \ ,') _ '``._
_.-/ _ `. (_) / )' ; / \ \`-.'
`--( `-:`. `' ___..' _,-' |/ `.)
`-. `.`.``-----``--, .'
|/`.\`' ,','); SSt
` (/ (/
Найдено в интернетах.
Всем привет!
Хочу поделиться своей небольшой разработкой: типографом, который можно использовать локально.
Дисклеймер
Проект находится в стадии разработки и нуждается в тщательном тестировании.
Возможности
- замена кавычек на
«„“»
и“‘’”
(в английской версии). Число уровней не ограничено — типограф просто чередует четные/нечетные — где-какие можно настроить - расстановка дюймов, апострофов:
4?
,20?
- комплексные символы: многоточие, копирайты, трейдмарки, стрелочки и т. д.:
(c)
становится ``, причем, даже если написано кириллицей - замена дефисов на длинное тире в текстах и числовых диапазонах
- замена дефисов на короткое тире в номерах телефонов
- расстановка минусов и знаков умножения
- связывание чисел с последующими словами неразрывным дефисом, например
40 попугаев
- связывание союзов и любых слов из 1-2 символов с последующими словами
- отделение единиц измерения от чисел (возможно, выпилю в скором будущем, очень велик шанс ложно-положительного результата)
- неразрывные пробелы в сокращениях:
т.д.
станетт. д.
;А. С. Пушкин
— здесь обычный пробел станет разрывным - замена
р
ируб
(с точкой в конце и без) на символ рубля — возможно выпилю, поскольку удалит точку если найдет совпадение в конце предложения - замена дробей
1/2
,1/3
и т.д. на существующие символы юникода - удаление лишних пробелов и переносов строк, тримминг вначале и вконце
- расстановка неразрывных пробелов в куче случаев
- не влияет на html теги и игнорирует содержимое
(head|iframe|pre|code|script|style)
- можно передать строки, которые типограф будет игнорировать
Пример
from typus import ru_typus
ru_typus('00" "11 \'22\' 11"? "11 \'22 "33 33?"\' 11" 00 "11 \'22\' 11" 0"')
'00? «11 „22“ 11»? «11 „22 «33 33?»“ 11» 00 «11 „22“ 11» 0?'
Число — уровень вложенности. Если бы первая кавычка стояла до нулей, был бы еще один уровень, а так вышли дюймы.
Как устроен
class BaseTypus(EnRuExpressions, TypusCore):
processors = (EscapePhrases, EscapeHtml, TypoQuotes, Expressions)
class RuTypus(RuQuotes, BaseTypus):
pass
ru_typus = RuTypus()
Typus состоит из "процессоров" и "выражений".
Выражения
Это пары (regex, replace)
, которые передаются в re.sub(regex, replace)
и выполняются последовательно (см. чуть ниже). Почти весь типограф — это "выражения". Они записываются как методы с приставкой expr_
, функция должна вернуть вложенный список, т.е. одно "выражение" может вернуть череду "выражений":
class MyTypus(Typus):
expressions = Typus.expressions + 'http://bar'
def expr_http://bar(self):
expr = (
(r'\d', '@'), # заменяет числа на @
)
return expr
Третий, необязательный, аргумент — флаги передаваемые в re.compile
, по-умолчанию, это re.I | re.U | re.M | re.S
.
Кстати, replace
может быть функцией, см. re.sub.
Чтобы определить последовательность используется атрибут типографа — expressions
, который хранит список названий выражений. Можно выключить лишнее:
from typus import RuTypus
exclude_expressions = ('ruble', 'math')
class MyTypus(RuTypus):
expressions = (e for e in RuTypus.expressions
if e not in exclude_expressions)
expressions
может быть генератором, но если сделать последовательностью, можно делать так:
def expr_http://bar(self):
if 'some' in self.expressions:
return baz
return egg
В коробке идет лишь один микс выражений — EnRuExpressions
, но он делает почти всю работу.
Для работы выражений используется процессор Expressions
.
Процессоры
Иногда простыми регулярками не отделаться, приходится городить убер-функцию. Процессор это класс-функция-декоратор, который инициируется во время создания типографа, а затем вызывается при обработке текста. Ему (инстансу процессора) передается сам инстанс типографа, чтобы процессор мог получить доступ к его конфигурации.
При использовании нескольких процессоров, они декорируют друг-друга по порядку. Например, так:
удалить html теги
дать ход следующему процессору, если сошлись звезды
что-то там поделать с текстом
обработать и вернуть наверх
вернуть теги
С Typus поставляются несколько процессоров: EscapePhrases
, EscapeHtml
, TypoQuotes
, Expressions
.
EscapePhrases
Бывают случаи, когда определенный кусок текста обрабатывать нельзя, либо вы заранее знаете, что типограф на этом месте запнется, в таком случае можно поступить так:
typus('"http://bar 2""', escape_phrases=['2"'])
'«http://bar 2"»'
Без этого типограф встретит закрывающую кавычку: «http://bar 2»"
. Еще пример:
typus('Типограф заменяет (c) на (c)', escape_phrases=['заменяет (c)'])
'Типограф заменяет (c) на '
Аргумент escape_phrases
можно вынести отдельным полем в ваше CRUD приложение (ака "админку"), где контент менеджер сможет перечислить фразы через разделитель, а вы передадите их типографу.
Чтобы разделить текст можно можно воспользоваться утилитой:
from typus.utils import splinter
split = splinter(',')
split('a, b,c ') == ['a', 'b', 'c']
split('a, b\,c') == ['a', 'b,c']
splinter
понимает экранированные разделители и вызывает str.strip()
для каждой фразы.
EscapeHtml
Выразет html-теги до типографа и возвращает их после. Без него <img src="http://bar">
превратится в <img src=«http://bar»>
.
TypoQuotes
Проставляет кавычки. Ожидает, что в типографе будут перечислены атрибуты loq
, roq
, leq
, req
. Пример:
from typus import BaseTypus
from typus.chars import LAQUO, RAQUO, DLQUO, LDQUO
class MyTypus(BaseTypus):
# Лева нечетная, правая нечетная, левая четная, правая четная
loq, roq, leq, req = LAQUO, RAQUO, DLQUO, LDQUO
Есть готовые миксины EnQuotes
и RuQuotes
в модуле typus.mixins
.
Expressions
Обеспечивает работу выражений. Во время инициализации типографа все регулярки компилируются и хранятся в инстансе процессора.
Про отладку
Если типографу передать debug=True
, то он заменит все неразрывные пробелы на символ подчеркивания, это может быть полезным для отладки:
ru_typus('(c) me', debug=True)
'_me'
Демо
Важно: демо крутится на очень простой виртуалке и предназначено для демонстрации возможностей.
Я ничего никуда не сохраню (честно), исходный код сайта вы найдете у меня на гитхабе.
Установка и использование
pip install -e git://github.com/byashimov/typus.git#egg=typus
Далее:
from typus import en_typus, ru_typus
en_typus('"Beautiful is better than ugly." (c) Tim Peters.', debug=True)
'“Beautiful is_better than ugly.” _Tim Peters.' # _ for nbsp
ru_typus('"Красивое лучше, чем уродливое." (с) Тим Петерс.')
'«Красивое лучше, чем уродливое.» Тим Петерс.' # cyrillic 'с' in '(с)'
Документация
Эту статью можно считать таковой, пока я не сделаю корявый перевод на английский.
Совместимость
Name Stmts Miss Cover
-----------------------------------------
typus/__init__.py 8 0 100%
typus/chars.py 18 0 100%
typus/core.py 24 0 100%
typus/mixins.py 77 0 100%
typus/processors.py 99 0 100%
typus/utils.py 30 0 100%
-----------------------------------------
TOTAL 256 0 100%
________________ summary ________________
py25: commands succeeded
py26: commands succeeded
py27: commands succeeded
py33: commands succeeded
py34: commands succeeded
py35: commands succeeded
congratulations :)
Travis-CI, которым я пользуюсь, не поддерживает 2.5
, а вручную я проверять не всегда тружусь, так что если вы еще им пользуетесь (соболезную), запустите тесты после установки.
Планы и какие-то идеи
- Я не планирую вносить в типограф подчеркивание ссылок или расстановку html-тегов. Этим должен занимать процессор текстов (markdown, retext и т. д.). К тому же, у всех свои кейсы.
- Я также не хотел бы, чтобы типограф исправлял ошибки в тексте, даже если это ничего не стоит.
- Почти все типографы конвертируют небезопасные символы, такие как
&
, в html-сущности. На данный момент мне не ясно зачем это делать: браузеры, поисковики и парсеры справляются играючи с таким текстом, а гонять cpu просто так и делать код нечитаемым мне совсем не хочется. Буду рад конкретному примеру. - Вероятно,
ru_typus
справится с украинскими и белорусскими текстами (а возможно и с другими), если так, я внесу это в описание проекта.
Вроде все.
P. S. Какой-то ад с подсветкой инлайн кода на хабре.
Комментарии (26)
iroln
11.07.2016 06:13-1Tested on py 2.5, 2.6, 2.7, 3.3, 3.4, 3.5 and probably others
Сейчас в мире Python напротив стараются поскорее отрезать все эти 2.5, 2.6, 2.7, 3.3. Это должно приблизить завершение великого перехода на 3.x. И в самом деле, зачем тянуть всё это в новом проекте и испытывать боль? Вы действительно думаете, что кто-то использует 2.5 и сожалеете, что Travis-CI его не поддерживает?
magic4x
11.07.2016 08:34+3Чтобы получить совместимость с 2.5-2.6 мне пришлось проставить индексы, которые я и так ставлю, в стрингах для format и в одним месте заменить dict comprehension на вызов dict, который подменяется из пакета future. Т. е. времени ушло 2 минуты. Может кому пригодится в легаси проекте.
Веб-сайт, кстати, работает на тройке, хотя может и на двойке — я не специально, видимо привычка писать совместимые приложения очень сильная.
vpiskunov
11.07.2016 09:56Также, есть типограф Муравьева (http://mdash.ru) но он изначально написан на php и как-то ну очень по зверски переведен в python. Но патч из примерно 10 строк позволяет запускать его в продакшене и почти не бояться проблем с кодировкой.
magic4x
12.07.2016 21:44#!/usr/bin/env python2.7 import timeit from EMT import EMTypograph from typus import ru_typus emt = EMTypograph() text = '"test" (c)' def test_emt(): emt.set_text(text) return emt.apply() def test_typus(): return ru_typus(text) print timeit.timeit(test_emt, number=1000) print timeit.timeit(test_typus, number=1000)
$ python test.py 62.5571029186 0.090714931488
Скриптик набросал чтобы избежать оверхеды с инстанцированием типографа Муравьева.
happyfucker
11.07.2016 17:30Ещё есть такой типограф github.com/samdark/Typograph
А вообще у меня уже долгое время есть мечта создать опен-сорс проект с различными локальными спецификациями и исключениями для различных языков (я дизайнер и делаю журналы, программирование изучаю как хобби)
Genotip
16.07.2016 20:42Посмотрите мой типограф.
https://github.com/Harut/chakert
В имеющихся меня не устраивало, что, во-первых правила замены оформлены в виде регулярок, что лично для меня категорически неудобно (у вас, судя по всему, тоже :( ). Особенно, разбираться в чужих регулярках.
Во-вторых, это танцы с бубном вокруг HTML. Он либо эскейпится, а затем раскрывается, либо удаляется, а потом возвращается на место. В первом случае мы получаем, что даже пустой тег, вставленный в неудачном месте, может повлиять на результат, а второй вариант мне не нравится непредсказуемостью, не вызывает доверия.
У меня исходный текст разбивается на токены с использованием регулярок, а затем перебираются все токены и у каждого вызывается метод замены: получает на вход итератор предыдущих и следующих токенов и умеет заменять себя или соседей на любой другой токен.
При этом токены остаются связанными со своими тегами, и при сборке обратно в текст всё само встает на свои места.
Русский + английский. Py2.7, py3.4 (нужно, кстати, освежить...)
Буду рад фидбеку, особенно в виде тест-кейсов :)Genotip
16.07.2016 21:16PS. В продакшне чуть больше года на нескольких проектах, через типограф в принудительном режиме пропущено пару сотен тысяч текстов новостного формата в виде фильтрованного HTML, и каждый день пропускается порядка нескольких десятков. Пока нареканий со стороны редакторов не было.
magic4x
16.07.2016 23:07Интересно, как это я проморгал ваш проект. По честному гуглил.
Из тестов тут почти все. Всякие "сложные случаи" уже разложены отдельно и я с ходу их не назову, ну может это или вот еще.
Пока я вижу незначительные расхождения в использовании правил, скорее субъективных.
- тайпус по большей части полагается на грамотно написанный текст и некоторые ваши тесты не пройдет. Например, с незакрытой кавычкой или с тире вначале строки без следующего пробела.
- еще у меня есть ощущение, что английские кавычки расставляются у вас все же неправильно.
- апосторофы оба не ставят. Я, кстати, тупо забыл об этом. Вот, что значит нет реальных кейсов.
- html тайпус никак не модифицирует, у вас заметил теги в нижнем регистре
Если будете сверять тесты, имейте ввиду, что мои проверяются как по отдельности для каждого правила, так и вкупе с остальными.
У вас есть демо погонять?magic4x
16.07.2016 23:16Пожалуй, еще добавлю, что тайпус понимает миксованный EnRu текст. Разница между
ru_typus
иen_typus
только в кавычках.
magic4x
17.07.2016 00:07Ну вот, добавил апостроф, теперь красиво:
'She yelled, "I\'m going to kill you!"' 'She yelled, “I’m going to kill you!”'
magic4x
17.07.2016 00:16Хороший тест:
'For ones, maybe someone will call me 'sir' without adding, 'you're making a scene.'' “For ones, maybe someone will call me ‘sir’ without adding, ‘you’re making a scene.’”
Genotip
17.07.2016 00:32еще у меня есть ощущение, что английские кавычки расставляются у вас все же неправильно.
Это мы какую-то книжку нашли, в которой были описаны правила. В ридми есть ссылка на нее, правда, на другой фрагмент. Найти сейчас ее наверно будет непросто. Я завтра перепроверю по вашей ссылке.
html тайпус никак не модифицирует, у вас заметил теги в нижнем регистре
Это lxml виноват :)
Пожалуй, еще добавлю, что тайпус понимает миксованный EnRu текст.
chakert опирается на атрибут lang, если он есть. Тут тоже вопрос кейсов, у нас смешанных текстов нет.
Веб-демо нет… pip install chakert lxml
Тесты посмотрю, спасибо.
Genotip
17.07.2016 01:14Посмотрел по-диагонально test_example. Некоторые вещи, например, замена (с) на © я у себя по-умолчанию включать точно не буду, потому что здесь не исключены ложные срабатывания, а через типограф у нас тексты проходят все и всегда. Лучше оставить спецсимволы на совести редактора, чем ненароком заменить не то. Надо бы мне подумать, как кастомайзить список модификаций.
Еще бросается в глаза смешение работы в текстовом режиме и html. Например, сокращать пробелы до одного и переводы строк до двух максимум имеет смысл для plain text, в то же время, там же есть и теги. Конечно, вряд ли это может создать проблемы, и в некоторых случаях даже подходит, например, для редактора комментов хабра :) Но какой-то червячок внутри меня мне упорно твердит, что разделение методов работы с plain text и html в вебе — это хорошая практика.
Ну и здесь у меня разные издевательства над HTML посреди текста. Вполне вероятные кейсы для данных, поступающих из визивига. Это главная причина, почему я написал свой типограф, потому что сделать такое на регулярках довольно непросто. Неясно, поддерживается ли это у вас, по крайней мере, тестов не вижу…Genotip
17.07.2016 01:45А, вижу что-то похожее, но кажется, всего один случай.
Например, мой вот этот кейс у вас не проходит, судя по всему (если я всё правильно сделал в демо) — вместо одного неразрывного получается один обычный и один неразрывный.magic4x
17.07.2016 10:21А не расскажите как это у вас происходит, что теги не мешают? Я сходу не разобрался.
Genotip
18.07.2016 17:30Как работает типограф HTML:
1. Парсим с помощью lxml.html
2. Проходимся по дереву: каждый абзац типографируется независимо от остальных, граница абзацев — начало и конец блочного тега. Содержимое Некоторых тегов игнорируются.
3. Весь текст разбивается на токены в соотвествии с содержащейся в классе токена регуляркой. При этом каждый токен сохраняет ссылку на место в дереве lxml ElementTree, из которого он взят ([1], [2]).
4. Затем мы проходимся по списку всех токенов и вызываем для каждого функцию преобразования. На входе — итераторы следующих и предыдущих токенов. Итератор возвращает токены-фрагменты текста вне зависимости от тегов, так что при применении правил теги игнорируются.
5. Каждый токен содержит набор правил в виде произвольного кода на питоне, он может смотреть на предыдущих и следующих соседей, может менять, добавлять, удалять соседние токены или самого себя.
6. Записываем изменения в ElementTree
7. Выгружаем ElementTree обратно в HTML.magic4x
18.07.2016 18:25Интересная реализация, спасибо. Скажите, а такой кейс обработается?
<div>"foo </div> <div>bar"</div>
Чтобы убедиться, что я правильно понял.
Genotip
18.07.2016 21:55Интересный кейс, не приходило в голову. несмотря на то, что используются блочные теги, стек кавычек ведётся глобальный для всего текста, поэтому кавычки заменяются. При переходе от одного блока к другому обнуляется итератор предыдущих и следующих элементов, может что-то еще.
Genotip
18.07.2016 22:03Я не прав, если вы успели прочитать мой коммент, то забудьте :). Оно действительно заменяется, но не так, как я описал, а просто потому что кавычка привязана к слову слева или справа, блоки тут ни при чем.
Genotip
18.07.2016 22:15self.assertHtml('<p>"начало "текста </p><p>конец" текста"</p>', '<p>«начало „текста </p><p>конец“ текста»</p>')
Такой кейс уже не отрабатывает, поскольку стек кавычек сбрасывается вместе со всем остальным контекстом. На выходе даёт
'<p>«начало „текста </p><p>конец» текста»</p>'
Должен ли он отрабатывать — вопрос сложный. С одной стороны вроде бы логично, но с другой, (а) непонятно, допустимы ли в нормах типографики вложенные цитаты на несколько абзацев, и (б) не хотелось бы, чтобы лишняя кавычка в длинном тексте сдвигала расстановку кавычек в непредсказуемом месте, а то и во всём остальном тексте. Пожалуй, минусы перевешивают, и оставлю-ка как есть, на совести редакторов :)magic4x
19.07.2016 14:37Да, это я и имел ввиду. Похоже, я понял идею и смогу частично реализовать ее в тайпусе, правда, на все тех же регулярках.
А искать закрывающие и открывающие кавычки не совсем корректно, если вы захотите внести поддержку дюймов<div>Диагональ 22"</div>
.
Еще всякие редакторы делают так“тест”
— т. е. ставят "неправильные" кавычки, не проверял ваш типограф на этот кейс.
непонятно, допустимы ли в нормах типографики вложенные цитаты на несколько абзацев
Цитата может быть в несколько абзацев, но да, случай крайне редкий.
magic4x
Хабр зачем-то заменяет
foo
наhttp://foo
, я уже отписался в саппорт.magic4x
Парсер слопал половину спец символов в тексте. Браво.