add: LayoutProcessor - обработка неразрывных пробелов вокруг тире и инициалов

etpgrf/layout.py

@@ -0,0 +1,94 @@
+# etpgrf/layout.py
+# Модуль для обработки тире, специальных символов и правил их компоновки.
+
+import regex
+import logging
+from etpgrf.config import LANG_RU, LANG_EN, CHAR_NBSP, CHAR_NDASH, CHAR_MDASH, CHAR_HELLIP
+from etpgrf.comutil import parse_and_validate_langs
+
+# --
+
+# --- Настройки логирования ---
+logger = logging.getLogger(__name__)
+
+
+class LayoutProcessor:
+    """
+    Обрабатывает тире, псевдографику (например, … -> © и тому подобные) и применяет
+    правила расстановки пробелов в зависимости от языка (для тире язык важен, так как.
+    Правила типографики различаются для русского и английского языков).
+    Предполагается, что на вход уже поступает текст с правильными типографскими
+    символами тире (— и –).
+    """
+
+    def __init__(self,
+                 langs: str | list[str] | tuple[str, ...] | frozenset[str] | None = None,
+                 process_initials: bool = True):
+        self.langs = parse_and_validate_langs(langs)
+        self.main_lang = self.langs[0] if self.langs else LANG_RU
+        self.process_initials = process_initials
+
+        # 1. Паттерн для длинного (—) или среднего (–) тире, окруженного пробелами.
+        # (?<=\S) и (?=\S) гарантируют, что тире находится между словами, а не в начале/конце строки.
+        # self._dash_pattern = regex.compile(rf'(?<=\S)\s+([{CHAR_MDASH}{CHAR_NDASH}])\s+(?=\S)')
+        # (?<=[\p{L}\p{Po}\p{Pf}"\']) - просмотр назад на букву, пунктуацию или кавычку.
+        self._dash_pattern = regex.compile(rf'(?<=[\p{{L}}\p{{Po}}\p{{Pf}}"\'])\s+([{CHAR_MDASH}{CHAR_NDASH}])\s+(?=\S)')
+
+        # 2. Паттерн для многоточия, за которым следует пробел и слово.
+        # Ставит неразрывный пробел после многоточия, чтобы не отрывать его от следующего слова.
+        # (?=[\p{L}\p{N}]) - просмотр вперед на букву или цифру.
+        self._ellipsis_pattern = regex.compile(rf'({CHAR_HELLIP})\s+(?=[\p{{L}}\p{{N}}])')
+
+        # 3. Паттерн для отрицательных чисел.
+        # Ставит неразрывный пробел перед знаком минус, если за минусом идет цифра (неразрывный пробел
+        # заменяет обычный). Это предотвращает "отлипание" знака от числа при переносе строки.
+        # (?<!\d) - негативный просмотр назад, чтобы правило не срабатывало для бинарного минуса
+        #           в выражениях типа "10 - 5".
+        self._negative_number_pattern = regex.compile(r'(?<!\d)\s+-(\d+)')
+
+        # 4. Паттерны для обработки инициалов.
+        # \p{Lu} - любая заглавная буква в Unicode.
+        # Этот паттерн находит пробел между фамилией и следующим за ней инициалом.
+        self._surname_initial_pattern = regex.compile(r'(\p{Lu}\p{L}{1,})\s+(?=\p{Lu}\.)')
+        # Этот паттерн находит пробел между инициалом и следующим за ним инициалом или фамилией.
+        # (?=\p{Lu}[\p{L}.]) - просмотр вперед на заглавную букву, за которой идет или буква (фамилия), или точка (инициал).
+        self._initial_pattern = regex.compile(r'(\p{Lu}\.)\s+(?=\p{Lu}[\p{L}.])')
+
+        logger.debug(f"LayoutProcessor `__init__`. "
+                     f"Langs: {self.langs}, "
+                     f"Main lang: {self.main_lang}, "
+                     f"Process initials: {self.process_initials}")
+
+
+    def _replace_dash_spacing(self, match: regex.Match) -> str:
+        """Callback-функция для расстановки пробелов вокруг тире с учетом языка."""
+        dash = match.group(1)  # Получаем сам символ тире (— или –)
+        if self.main_lang == LANG_EN:
+            # Для английского языка — слитно, без пробелов.
+            return dash
+        # По умолчанию (и для русского) — отбивка пробелами.
+        return f'{CHAR_NBSP}{dash} '
+
+
+    def process(self, text: str) -> str:
+         """Применяет правила компоновки к тексту."""
+         # Порядок применения правил важен.
+         processed_text = text
+
+         # 1. Обработка пробелов вокруг тире.
+         processed_text = self._dash_pattern.sub(self._replace_dash_spacing, processed_text)
+
+         # 2. Обработка пробела после многоточия.
+         processed_text = self._ellipsis_pattern.sub(f'\\1{CHAR_NBSP}', processed_text)
+
+         # 3. Обработка пробела перед отрицательными числами/минусом.
+         processed_text = self._negative_number_pattern.sub(f'{CHAR_NBSP}-\\1', processed_text)
+
+         # 4. Обработка инициалов (если включено).
+         if self.process_initials:
+             # Сначала связываем фамилию с первым инициалом (Пушкин А. -> Пушкин{NBSP}А.)
+             processed_text = self._surname_initial_pattern.sub(f'\\1{CHAR_NBSP}', processed_text)
+             # Затем связываем инициалы между собой и с фамилией (А. С. Пушкин -> А.{NBSP}С.{NBSP}Пушкин)
+             processed_text = self._initial_pattern.sub(f'\\1{CHAR_NBSP}', processed_text)
+
+         return processed_text