add: codec (внутренний utf-8 и мнемокод для in/out

etpgrf/codec.py

@@ -0,0 +1,54 @@
+# etpgrf/codec.py
+# Модуль для преобразования текста между Unicode и HTML-мнемониками.
+
+import regex
+import html
+from etpgrf.config import (ALL_ENTITIES, ALWAYS_MNEMONIC_IN_SAFE_MODE, MODE_MNEMONIC, MODE_MIXED)
+
+# --- Создаем словарь для кодирования Unicode -> Mnemonic ---
+# {'\u00A0': ' ', '\u2014': '—', ...}
+_ENCODE_MAP = {}
+
+
+for name, (uni_char, mnemonic) in ALL_ENTITIES.items():
+    _ENCODE_MAP[uni_char] = mnemonic
+
+# --- Основные функции кодека ---
+
+def decode_to_unicode(text: str) -> str:
+    """
+    Преобразует все известные HTML-мнемоники в их Unicode-эквиваленты,
+    используя стандартную библиотеку html.
+    """
+    if not text or '&' not in text:
+        return text
+    return html.unescape(text)
+
+
+def encode_from_unicode(text: str, mode: str) -> str:
+    """
+    Преобразует Unicode-символы в HTML-мнемоники в соответствии с режимом.
+    """
+    if not text or mode not in [MODE_MNEMONIC, MODE_MIXED]:
+        # В режиме 'unicode' или неизвестном режиме ничего не делаем
+        return text
+
+    # 1. Определяем, какие символы нужно заменить
+    if mode == MODE_MNEMONIC:
+        # В режиме 'mnemonic' заменяем все известные нам символы
+        chars_to_replace = set(_ENCODE_MAP.keys())
+    else:  # mode == MODE_MIXED
+        # В смешанном режиме заменяем только "безопасные" символы
+        # (те, что могут вызывать проблемы с отображением или переносами)
+        safe_chars = {ALL_ENTITIES[name][0] for name in ALWAYS_MNEMONIC_IN_SAFE_MODE}
+        chars_to_replace = set(_ENCODE_MAP.keys()) & safe_chars
+
+    if not chars_to_replace:
+        return text
+
+    # 2. Создаем паттерн для поиска только нужных символов
+    # regex.escape важен, если в наборе будут спецсимволы, например, '-'
+    pattern = regex.compile(f"[{regex.escape(''.join(chars_to_replace))}]")
+
+    # 3. Заменяем найденные символы, используя нашу карту
+    return pattern.sub(lambda m: _ENCODE_MAP[m.group(0)], text)

etpgrf/config.py

@@ -19,21 +19,28 @@ SUPPORTED_LANGS = frozenset([LANG_RU, LANG_RU_OLD, LANG_EN])
 # DEFAULT_HYP_MAX_LEN = 10  # Максимальная длина слова без переносов
 # DEFAULT_HYP_MIN_LEN = 3  # Минимальный "хвост" слова для переноса
 
-# ----------------- соответствия `unicode` и `mnemonic` для типографа
+# === Соответствия `unicode` и `mnemonic` для типографа
 
 # Переносы
+KEY_SHY = 'SHY'
 SHY_ENTITIES = {
-    'SHY': ('\u00AD', '­'),  # Мягкий перенос
+    KEY_SHY: ('\u00AD', '­'),  # Мягкий перенос
 }
 
 # Пробелы и неразрывные пробелы
+KEY_NBSP = 'NBSP'
+KEY_THINSP = 'THINSP'
+KEY_ENSP = 'ENSP'
+KEY_EMSP = 'EMSP'
+KEY_ZWNJ = 'ZWNJ'
+KEY_ZWJ = 'ZWJ'
 SPACE_ENTITIES = {
-    'NBSP':   ('\u00A0', ' '),   # Неразрывный пробел
+    KEY_NBSP:   ('\u00A0', ' '),   # Неразрывный пробел
-	'THINSP': ('\u2009', ' '), # Тонкий пробел
+	KEY_THINSP: ('\u2009', ' '), # Тонкий пробел
-    'ENSP':   ('\u2002', ' '),   # Полу-широкий пробел
+    KEY_ENSP:   ('\u2002', ' '),   # Полу-широкий пробел
-    'EMSP':   ('\u2003', ' '),   # Широкий пробел
+    KEY_EMSP:   ('\u2003', ' '),   # Широкий пробел
-    'ZWNJ':   ('\u200C', '‌'),   # Разрывный пробел нулевой ширины (без пробела)
+    KEY_ZWNJ:   ('\u200C', '‌'),   # Разрывный пробел нулевой ширины (без пробела)
-    'ZWJ':    ('\u200D', '‍'),    # Неразрывный пробел нулевой ширины
+    KEY_ZWJ:    ('\u200D', '‍'),    # Неразрывный пробел нулевой ширины
 }
 
 # Тире и дефисы
@@ -60,6 +67,7 @@ QUOTE_ENTITIES = {
     'RSAQUO': ('\u203A', '›'),    # Закрывающая французская угловая кавычка -- ‹
 }
 
+# Символы валют
 CURRENCY_ENTITIES = {
     'DOLLAR': ('\u0024', '$'),  # Доллар
     'CENT':   ('\u00A2', '¢'),    # Цент
@@ -70,14 +78,46 @@ CURRENCY_ENTITIES = {
     'RUBLE':  ('\u20BD', '₽'),   # Российский рубль (₽)
 }
 
+# Математические символы
+KEY_LT = 'LT'
+KEY_GT = 'GT'
+MATH_ENTITIES = {
+    KEY_LT: ('\u00B7', '&lt;'),        # Меньше (<)
+    KEY_GT: ('\u00B7', '&gt;'),        # Больше (>)
+    'PLUS':   ('\u002B', '&plus;'),    # Плюс (+)
+    'MINUS':  ('\u2212', '&minus;'),   # Минус (−)
+    'MULTIPLY': ('\u00D7', '&times;'), # Умножение (×)
+    'DIVIDE': ('\u00F7', '&divide;'),  # Деление (÷)
+    'EQUALS': ('\u003D', '&equals;'),  # Равно (=)
+    'NOT_EQUAL': ('\u2260', '&ne;'),   # Не равно (≠)
+    'PLUSMN': ('\u00B1', '&plusmn;'), # Плюс-минус (±)
+    'LESS_EQUAL': ('\u2264', '&le;'),  # Меньше или равно (≤)
+    'GREATER_EQUAL': ('\u2265', '&ge;'),  # Больше или равно (≥)
+    'APPROX_EQUAL': ('\u2245', '&cong;'),  # Приблизительно равно (≅)
+    'APPROX_EQ': ('\u2245', '&approxeq;'),  # Приблизительно равно (≅)
+    'APPROX': ('\u2248', '&asymp;'),   # Приблизительно равно (≈)
+}
+
 # Другие символы (пример для расширения)
+KEY_AMP = 'AMP'
 SYMBOL_ENTITIES = {
+    KEY_AMP: ('\u0026', '&smp;'),        #Амперсанд (&)
     'HELLIP': ('\u2026', '&hellip;'), # Многоточие
     'COPY':   ('\u00A9', '&copy;'),   # Копирайт
     # ... стрелочки, математические символы и т.д. по мере необходимости
 }
 
-# Сущности, которые ВСЕГДА должны выводиться как мнемоники в режиме MODE_MIXED
+# --- Сборка и валидация ---
-# Указываются их ИМЕНА (ключи из словарей выше)
+
-ALWAYS_MNEMONIC_IN_SAFE_MODE = frozenset(['SHY', 'NBSP', 'ZWSP'])
+# 1. Создаем единый словарь всех сущностей для удобного доступа
+ALL_ENTITIES = {
+    **SHY_ENTITIES, **SPACE_ENTITIES, **DASH_ENTITIES, **MATH_ENTITIES,
+    **QUOTE_ENTITIES, **CURRENCY_ENTITIES, **SYMBOL_ENTITIES
+}
+
+# Сущности, которые ВСЕГДА должны выводиться как мнемоники в режиме MODE_MIXED
+# Указываются их ИМЕНА (ключи из словарей выше).
+# NOTE: Повторное использование магических строк 'SHY', 'NBSP' и т.д. не создает новый объект в памяти. Умный Python
+#       когда видит одинаковую строку в коде применяет интернирование строк (string interning).
+ALWAYS_MNEMONIC_IN_SAFE_MODE = frozenset([KEY_AMP, KEY_LT, KEY_GT, KEY_SHY, KEY_NBSP, KEY_ZWNJ, KEY_ZWJ])
 

etpgrf/defaults.py

@@ -24,6 +24,7 @@ class EtpgrfDefaultSettings:
     def __init__(self):
         self.LANGS: list[str] | str = LANG_RU
         self.MODE: str = MODE_MIXED
+        # self.PROCESS_HTML: bool = False   # Флаг обработки HTML-тегов
         self.logging_settings = LoggingDefaults()
         self.hyphenation = HyphenationDefaults()
         # self.quotes = EtpgrfQuoteDefaults()

etpgrf/hyphenation.py

@@ -6,9 +6,9 @@
 
 import regex
 import logging
-from etpgrf.config import LANG_RU, LANG_RU_OLD, LANG_EN, SHY_ENTITIES, MODE_UNICODE
+from etpgrf.config import LANG_RU, LANG_RU_OLD, LANG_EN, KEY_SHY, ALL_ENTITIES
 from etpgrf.defaults import etpgrf_settings
-from etpgrf.comutil import parse_and_validate_mode, parse_and_validate_langs, is_inside_unbreakable_segment
+from etpgrf.comutil import parse_and_validate_langs, is_inside_unbreakable_segment
 
 _RU_VOWELS_UPPER = frozenset(['А', 'О', 'И', 'Е', 'Ё', 'Э', 'Ы', 'У', 'Ю', 'Я'])
 _RU_CONSONANTS_UPPER = frozenset(['Б', 'В', 'Г', 'Д', 'Ж', 'З', 'К', 'Л', 'М', 'Н', 'П', 'Р', 'С', 'Т', 'Ф', 'Х',
@@ -46,11 +46,9 @@ class Hyphenator:
     """
     def __init__(self,
                  langs: str | list[str] | tuple[str, ...] | frozenset[str] | None = None,
-                 mode: str = None,  # Режим обработки текста
                  max_unhyphenated_len: int | None = None,  # Максимальная длина непереносимой группы
                  min_tail_len: int | None = None):  # Минимальная длина после переноса (хвост, который разрешено переносить)
         self.langs: frozenset[str] = parse_and_validate_langs(langs)
-        self.mode: str = parse_and_validate_mode(mode)
         self.max_unhyphenated_len = etpgrf_settings.hyphenation.MAX_UNHYPHENATED_LEN if max_unhyphenated_len is None else max_unhyphenated_len
         self.min_chars_per_part = etpgrf_settings.hyphenation.MIN_TAIL_LEN if min_tail_len is None else min_tail_len
         if self.min_chars_per_part < 2:
@@ -72,10 +70,10 @@ class Hyphenator:
         self._en_alphabet_upper: frozenset = frozenset()
         # Загружает наборы символов на основе self.langs
         self._load_language_resources_for_hyphenation()
-        # Определяем символ переноса в зависимости от режима
+        # Так как внутри типографа кодировка html, то символ переноса независим от режима
-        self._split_code: str = SHY_ENTITIES['SHY'][0] if self.mode == MODE_UNICODE else SHY_ENTITIES['SHY'][1]
+        self._split_code: str = ALL_ENTITIES[KEY_SHY][0]
         # ...
-        logger.debug(f"Hyphenator `__init__`. Langs: {self.langs}, Mode: {self.mode},"
+        logger.debug(f"Hyphenator `__init__`. Langs: {self.langs},"
                      f" Max unhyphenated_len: {self.max_unhyphenated_len},"
                      f" Min chars_per_part: {self.min_chars_per_part}")
 
@@ -135,7 +133,7 @@ class Hyphenator:
         if len(word) <= self.max_unhyphenated_len or not any(self._is_vow(c) for c in word):
             # Если слово короткое или не содержит гласных, перенос не нужен
             return word
-        logger.debug(f"Hyphenator: word: `{word}` // langs: {self.langs} // mode: {self.mode} // max_unhyphenated_len: {self.max_unhyphenated_len} // min_tail_len: {self.min_chars_per_part}")
+        logger.debug(f"Hyphenator: word: `{word}` // langs: {self.langs} // max_unhyphenated_len: {self.max_unhyphenated_len} // min_tail_len: {self.min_chars_per_part}")
         # 2. ОБНАРУЖЕНИЕ ЯЗЫКА И ПОДКЛЮЧЕНИЕ ЯЗЫКОВОЙ ЛОГИКИ
         # Поиск вхождения букв строки (слова) через `frozenset` -- O(1). Это быстрее регулярного выражения -- O(n)
         # 2.1. Проверяем RU и RU_OLD (правила одинаковые, но разные наборы букв)

etpgrf/typograph.py

@@ -1,4 +1,5 @@
 import logging
+import html
 try:
     from bs4 import BeautifulSoup, NavigableString
 except ImportError:
@@ -6,6 +7,7 @@ except ImportError:
 from etpgrf.comutil import parse_and_validate_mode, parse_and_validate_langs
 from etpgrf.hyphenation import Hyphenator
 from etpgrf.unbreakables import Unbreakables
+from etpgrf.codec import decode_to_unicode, encode_from_unicode
 
 
 # --- Настройки логирования ---
@@ -40,7 +42,7 @@ class Typographer:
         self.hyphenation: Hyphenator | None = None
         if hyphenation is True or hyphenation is None:
             # C1. Создаем новый объект Hyphenator с заданными языками и режимом, а все остальное по умолчанию
-            self.hyphenation = Hyphenator(langs=self.langs, mode=self.mode)
+            self.hyphenation = Hyphenator(langs=self.langs)
         elif isinstance(hyphenation, Hyphenator):
             # C2. Если hyphenation - это объект Hyphenator, то просто сохраняем его (и используем его langs и mode)
             self.hyphenation = hyphenation
@@ -49,7 +51,7 @@ class Typographer:
         self.unbreakables: Unbreakables | None = None
         if unbreakables is True or unbreakables is None:
             # D1. Создаем новый объект Unbreakables с заданными языками и режимом, а все остальное по умолчанию
-            self.unbreakables = Unbreakables(langs=self.langs, mode=self.mode)
+            self.unbreakables = Unbreakables(langs=self.langs)
         elif isinstance(unbreakables, Unbreakables):
             # D2. Если unbreakables - это объект Unbreakables, то просто сохраняем его (и используем его langs и mode)
             self.unbreakables = unbreakables
@@ -69,8 +71,8 @@ class Typographer:
         """
         # Шаг 1: Декодируем весь входящий текст в канонический Unicode
         # (здесь можно использовать html.unescape, но наш кодек тоже подойдет)
-        # processed_text = decode_to_unicode(text)
+        processed_text = decode_to_unicode(text)
-        processed_text = text  # ВРЕМЕННО: используем текст как есть
+        # processed_text = text  # ВРЕМЕННО: используем текст как есть
 
         # Шаг 2: Применяем правила к чистому Unicode-тексту
         if self.unbreakables is not None:
@@ -79,10 +81,7 @@ class Typographer:
             processed_text = self.hyphenation.hyp_in_text(processed_text)
         # ... вызовы других активных модулей правил ...
 
-        # Шаг 3: Кодируем результат в запрошенный формат (mnemonic или mixed)
+        return processed_text
-        # final_text = encode_from_unicode(processed_text, self.mode)
-        final_text = processed_text  # ВРЕМЕННО: используем текст как есть
-        return final_text
 
 
 
@@ -105,7 +104,7 @@ class Typographer:
                 if not node.string.strip() or node.parent.name in ['style', 'script', 'pre', 'code']:
                     continue
                 # К каждому текстовому узлу применяем "внутренний" процессор
-                processed_node_text = self._process_text_node(node.string)
+                processed_node_text: str = self._process_text_node(node.string)
                 # Отладочная печать, чтобы видеть, что происходит
                 if node.string != processed_node_text:
                     logger.info(f"Processing node: '{node.string}' -> '{processed_node_text}'")
@@ -116,13 +115,12 @@ class Typographer:
                 #        Однако, replace_with достаточно умен, чтобы справиться с этим.
                 node.replace_with(processed_node_text)
 
-            # Возвращаем измененный HTML. BeautifulSoup по умолчанию выводит без тегов <html><body>
+            # Получаем измененный HTML. BeautifulSoup по умолчанию выводит без тегов <html><body>
             # если их не было в исходной строке.
-            return str(soup)
+            processed = str(soup)
         else:
-            # Если HTML-режим выключен, работаем как раньше
+            # Если HTML-режим выключен
-            return self._process_text_node(text)
+            processed = self._process_text_node(text)
-
+        # Возвращаем
-    # def _get_nbsp(self): # Пример получения неразрывного пробела
+        return encode_from_unicode(processed, self.mode)
-    #     return "\u00A0" if self.mode in UTF else "&nbsp;"
 

etpgrf/unbreakables.py

@@ -6,7 +6,8 @@
 
 import regex
 import logging
-from etpgrf.config import LANG_RU, LANG_RU_OLD, LANG_EN, SPACE_ENTITIES, MODE_UNICODE
+from etpgrf.config import LANG_RU, LANG_RU_OLD, LANG_EN, KEY_NBSP, ALL_ENTITIES
+from etpgrf.comutil import parse_and_validate_langs
 from etpgrf.defaults import etpgrf_settings
 
 # --- Наборы коротких слов для разных языков ---
@@ -17,7 +18,7 @@ _RU_UNBREAKABLE_WORDS = frozenset([
     # Предлоги (только короткие... длинные, типа `ввиду`, `ввиду` и т.п., могут быть "висячими")
     'в', 'без', 'до', 'из', 'к', 'на', 'по', 'о', 'от', 'перед', 'при', 'через', 'с', 'у', 'за', 'над',
     'об', 'под', 'про', 'для', 'ко', 'со', 'без', 'то', 'во', 'из-за', 'из-под', 'как'
-    # Союзы (без сложных, тип 'как будто', 'как если бы', `за то` и т.п.)
+    # Союзы (без сложных, тип `как будто`, `как если бы`, `за то` и т.п.)
     'и', 'а', 'но', 'да', 'как',
     # Частицы
     'не', 'ни',
@@ -62,15 +63,11 @@ class Unbreakables:
     от последующих слов.
     """
 
-    def __init__(self,
+    def __init__(self, langs: str | list[str] | tuple[str, ...] | frozenset[str] | None = None):
-                 langs: str | list[str] | tuple[str, ...] | frozenset[str] | None = None,
-                 mode: str = None):
-        from etpgrf.comutil import parse_and_validate_mode, parse_and_validate_langs
         self.langs = parse_and_validate_langs(langs)
-        self.mode = parse_and_validate_mode(mode)
 
-        # Определяем символ неразрывного пробела в зависимости от режима
+        # Так как внутри типографа кодировка html, то символ неразрывного пробела независим от режима
-        self._nbsp_char = SPACE_ENTITIES['NBSP'][0] if self.mode == MODE_UNICODE else SPACE_ENTITIES['NBSP'][1]
+        self._nbsp_char = ALL_ENTITIES[KEY_NBSP][0]
 
         # --- 1. Собираем наборы слов для обработки ---
         pre_words = set()
@@ -104,7 +101,7 @@ class Unbreakables:
             # Паттерн для слов, ПЕРЕД которыми нужен nbsp.
             self._post_pattern = regex.compile(r"(?i)(\s)\b(" + "|".join(map(regex.escape, sorted_particles)) + r")\b")
 
-        logger.debug(f"Unbreakables `__init__`. Langs: {self.langs}, Mode: {self.mode}, "
+        logger.debug(f"Unbreakables `__init__`. Langs: {self.langs}, "
                       f"Pre-words: {len(pre_words)}, Post-words: {len(post_words)}")