add: LayoutProcessor - обработка тонких пробелов в инициалах и акронимах

etpgrf/config.py

@@ -37,6 +37,7 @@ EN_ALPHABET_FULL = EN_ALPHABET_UPPER | EN_ALPHABET_LOWER
 # --- Специальные символы ---
 CHAR_NBSP = '\u00a0'      # Неразрывный пробел ( )
 CHAR_SHY = '\u00ad'       # Мягкий перенос (­)
+CHAR_THIN_SP = '\u2009'   # Тонкий пробел (шпация,  )
 CHAR_NDASH = '\u2013'     # Cреднее тире (– / –)
 CHAR_MDASH = '\u2014'     # Длинное тире (—  / —)
 CHAR_HELLIP = '\u2026'    # Многоточие (… / …)
@@ -108,7 +109,7 @@ SAFE_MODE_CHARS_TO_MNEMONIC = frozenset([
     '\u2003',  # Широкий пробел (Em Space) --  
     '\u2007',  # Цифровой пробел --  
     '\u2008',  # Пунктуационный пробел --  
-    '\u2009',  # Межсимвольный пробел --  '
+    CHAR_THIN_SP,  # Межсимвольный пробел, тонкий пробел, шпация --  '
     '\u200A',  # Толщина волоса (Hair Space) --  
     '\u200B',  # Негативный пробел (Negative Space) -- ​
     '\u200C',  # Нулевая ширина (без объединения) (Zero Width Non-Joiner) -- ‍
@@ -546,7 +547,7 @@ CUSTOM_ENCODE_MAP = {
     '\u231d': '⌝',		# ⌝ / ⌝ / ⌝
     '\u2016': '‖',		    # ‖ / ‖ / ‖
     '\u2228': '∨',		    # ∨ / ∨ / ∨
-    '\u2009': ' ',		#   /   /  
+    CHAR_THIN_SP: ' ',	#   /   /  
     '\u2240': '≀',		    # ≀ / ≀ / ≀ / ≀
     '\u2128': 'ℨ',		    # ℨ / ℨ / ℨ
     '\u2118': '℘',           # ℘ / ℘ / ℘

etpgrf/layout.py

@@ -3,7 +3,7 @@
 
 import regex
 import logging
-from etpgrf.config import LANG_RU, LANG_EN, CHAR_NBSP, CHAR_NDASH, CHAR_MDASH, CHAR_HELLIP
+from etpgrf.config import LANG_RU, LANG_EN, CHAR_NBSP, CHAR_THIN_SP, CHAR_NDASH, CHAR_MDASH, CHAR_HELLIP
 from etpgrf.comutil import parse_and_validate_langs
 
 # --
@@ -23,10 +23,10 @@ class LayoutProcessor:
 
     def __init__(self,
                  langs: str | list[str] | tuple[str, ...] | frozenset[str] | None = None,
-                 process_initials: bool = True):
+                 process_initials_and_acronyms: 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
+        self.process_initials_and_acronyms = process_initials_and_acronyms
 
         # 1. Паттерн для длинного (—) или среднего (–) тире, окруженного пробелами.
         # (?<=\S) и (?=\S) гарантируют, что тире находится между словами, а не в начале/конце строки.
@@ -46,18 +46,23 @@ class LayoutProcessor:
         #           в выражениях типа "10 - 5".
         self._negative_number_pattern = regex.compile(r'(?<!\d)\s+-(\d+)')
 
-        # 4. Паттерны для обработки инициалов.
+        # 4. Паттерны для обработки инициалов и акронимов.
         # \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}.])')
+
+        # Правила для случаев, когда пробел УЖЕ ЕСТЬ (заменяем на неразрывный)
+        # Используем ` +` (пробел) вместо `\s+`, чтобы не заменять уже вставленные тонкие пробелы.
+        self._initial_to_initial_ws_pattern = regex.compile(r'(\p{Lu}\.) +(?=\p{Lu}\.)')
+        self._initial_to_surname_ws_pattern = regex.compile(r'(\p{Lu}\.) +(?=\p{Lu}\p{L}{1,})')
+        self._surname_to_initial_ws_pattern = regex.compile(r'(\p{Lu}\p{L}{2,}) +(?=\p{Lu}\.)')
+
+        # Правила для случаев, когда пробела НЕТ (вставляем тонкий пробел)
+        self._initial_to_initial_ns_pattern = regex.compile(r'(\p{Lu}\.)(?=\p{Lu}\.)')
+        self._initial_to_surname_ns_pattern = regex.compile(r'(\p{Lu}\.)(?=\p{Lu}\p{L}{1,})')
 
         logger.debug(f"LayoutProcessor `__init__`. "
                      f"Langs: {self.langs}, "
                      f"Main lang: {self.main_lang}, "
-                     f"Process initials: {self.process_initials}")
+                     f"Process initials and acronyms: {self.process_initials_and_acronyms}")
 
 
     def _replace_dash_spacing(self, match: regex.Match) -> str:
@@ -85,10 +90,14 @@ class LayoutProcessor:
          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)
+         if self.process_initials_and_acronyms:
+             # Сначала вставляем тонкие пробелы там, где пробелов не было.
+             processed_text = self._initial_to_initial_ns_pattern.sub(f'\\1{CHAR_THIN_SP}', processed_text)
+             processed_text = self._initial_to_surname_ns_pattern.sub(f'\\1{CHAR_THIN_SP}', processed_text)
+
+             # Затем заменяем существующие пробелы на неразрывные.
+             processed_text = self._initial_to_initial_ws_pattern.sub(f'\\1{CHAR_NBSP}', processed_text)
+             processed_text = self._initial_to_surname_ws_pattern.sub(f'\\1{CHAR_NBSP}', processed_text)
+             processed_text = self._surname_to_initial_ws_pattern.sub(f'\\1{CHAR_NBSP}', processed_text)
 
          return processed_text

tests/test_layout.py

@@ -2,8 +2,8 @@
 # Тестирует модуль LayoutProcessor. Проверяет обработку тире и специальных символов в тексте.
 
 import pytest
-from etpgrf.layout import LayoutProcessor
-from etpgrf.config import CHAR_NBSP, CHAR_HELLIP
+from etpgrf.layout import LayoutProcessor, CHAR_THIN_SP
+from etpgrf.config import CHAR_NBSP, CHAR_HELLIP, CHAR_THIN_SP
 
 LAYOUT_TEST_CASES = [
     # --- Длинное тире (—) для русского языка ---
@@ -71,25 +71,38 @@ LAYOUT_TEST_CASES = [
     ('ru', "1-2-3-4-5, я иду тебя искать", "1-2-3-4-5, я иду тебя искать"), # Дефис, а не минус
 
     # --- Инициалы (должны обрабатываться по умолчанию) ---
+    # Разные комбинации пробелов
     ('ru', "А. С. Пушкин", f"А.{CHAR_NBSP}С.{CHAR_NBSP}Пушкин"),
-    ('ru', "А.С. Пушкин", f"А.С.{CHAR_NBSP}Пушкин"),
-    ('ru', "Пушкин А. С.", f"Пушкин{CHAR_NBSP}А.{CHAR_NBSP}С."),
-    ('ru', "Пушкин А.С.", f"Пушкин{CHAR_NBSP}А.С."),
+    ('ru', "А.С. Пушкин", f"А.{CHAR_THIN_SP}С.{CHAR_NBSP}Пушкин"),
+    ('ru', "А.С.Пушкин", f"А.{CHAR_THIN_SP}С.{CHAR_THIN_SP}Пушкин"),
     ('en', "J. R. R. Tolkien", f"J.{CHAR_NBSP}R.{CHAR_NBSP}R.{CHAR_NBSP}Tolkien"),
-    ('en', "J.R.R. Tolkien", f"J.R.R.{CHAR_NBSP}Tolkien"),
+    ('en', "J.R.R. Tolkien", f"J.{CHAR_THIN_SP}R.{CHAR_THIN_SP}R.{CHAR_NBSP}Tolkien"),
+    ('ru', "Пушкин А. С.", f"Пушкин{CHAR_NBSP}А.{CHAR_NBSP}С."),
+    ('ru', "Пушкин А.С.", f"Пушкин{CHAR_NBSP}А.{CHAR_THIN_SP}С."),
     ('en', "Tolkien J. R. R.", f"Tolkien{CHAR_NBSP}J.{CHAR_NBSP}R.{CHAR_NBSP}R."),
-    ('en', "Tolkien J.R.R.", f"Tolkien{CHAR_NBSP}J.R.R."),
+    ('en', "Tolkien J.R.R.", f"Tolkien{CHAR_NBSP}J.{CHAR_THIN_SP}R.{CHAR_THIN_SP}R."),
+    # Один инициал
     ('ru', "Это был В. Высоцкий.", f"Это был В.{CHAR_NBSP}Высоцкий."),
-    ('ru', "Высоцкий В. С. был гением.", f"Высоцкий{CHAR_NBSP}В.{CHAR_NBSP}С. был гением."),
+    ('ru', "Высоцкий В. был гением.", f"Высоцкий{CHAR_NBSP}В. был гением."),
+    # Акронимы (бонус)
+    ('ru', "Сделано в С.Ш.А.", f"Сделано в С.{CHAR_THIN_SP}Ш.{CHAR_THIN_SP}А."),
+    ('ru', "Сделано в С. Ш. А.", f"Сделано в С.{CHAR_NBSP}Ш.{CHAR_NBSP}А."),
+    ('en', "На замке стояло клеймо «Made in U.S.A.»", f"На замке стояло клеймо «Made in U.{CHAR_THIN_SP}S.{CHAR_THIN_SP}A.»"),
+    ('en', "На замке стояло клеймо «Made in U. S. A.»",  f"На замке стояло клеймо «Made in U.{CHAR_NBSP}S.{CHAR_NBSP}A.»"),
+    # Никаких изменений, если пробелы другого типа
+    ('ru', "А.\u200DС.\u200AПушкин", "А.\u200DС.\u200AПушкин"),
+    ('ru', "Пушкин А.\u200AС.", f"Пушкин{CHAR_NBSP}А.\u200AС."),
+    ('en', "J.\u200DR.\u200DR.\u200ATolkien", "J.\u200DR.\u200DR.\u200ATolkien"),
+    ('en', "Tolkien J.\u200AR.\u200AR.", f"Tolkien{CHAR_NBSP}J.\u200AR.\u200AR."),
 
     # --- Инициалы (проверка отключения опции) ---
     # ('ru', "А. С. Пушкин", "А. С. Пушкин", False),
-    # ('ru', "Пушкин А. С.", "Пушкин А. С.", False),
+    # ('ru', "Пушкин А.С.", "Пушкин А.С.", False),
 
     # --- Комбинированные случаи ---
     ('ru', f"Да — это так{CHAR_HELLIP} а может и нет. Счёт -10.",
      f"Да{CHAR_NBSP}— это так{CHAR_HELLIP}{CHAR_NBSP}а может и нет. Счёт{CHAR_NBSP}-10."),
-    ('ru', f"По мнению А. С. Пушкина — это...", f"По мнению А.{CHAR_NBSP}С.{CHAR_NBSP}Пушкина{CHAR_NBSP}— это..."),
+    ('ru', f"По мнению А.С.Пушкина — это...", f"По мнению А.{CHAR_THIN_SP}С.{CHAR_THIN_SP}Пушкина{CHAR_NBSP}— это..."),
 
 ]