# etpgrf/typograph.py # Основной класс Typographer, который объединяет все модули правил и предоставляет единый интерфейс. # Поддерживает обработку текста внутри HTML-тегов с помощью BeautifulSoup. import logging import html try: from bs4 import BeautifulSoup, NavigableString except ImportError: BeautifulSoup = None from etpgrf.comutil import parse_and_validate_mode, parse_and_validate_langs from etpgrf.hyphenation import Hyphenator from etpgrf.unbreakables import Unbreakables from etpgrf.quotes import QuotesProcessor from etpgrf.layout import LayoutProcessor from etpgrf.symbols import SymbolsProcessor from etpgrf.codec import decode_to_unicode, encode_from_unicode # --- Настройки логирования --- logger = logging.getLogger(__name__) # --- Основной класс Typographer --- class Typographer: def __init__(self, langs: str | list[str] | tuple[str, ...] | frozenset[str] | None = None, mode: str | None = None, process_html: bool = False, # Флаг обработки HTML-тегов hyphenation: Hyphenator | bool | None = True, # Перенос слов и параметры расстановки переносов unbreakables: Unbreakables | bool | None = True, # Правила для предотвращения разрыва коротких слов quotes: QuotesProcessor | bool | None = True, # Правила для обработки кавычек layout: LayoutProcessor | bool | None = True, # Правила для тире и спецсимволов symbols: SymbolsProcessor | bool | None = True, # Правила для псевдографики # ... другие модули правил ... ): # A. --- Обработка и валидация параметра langs --- self.langs: frozenset[str] = parse_and_validate_langs(langs) # B. --- Обработка и валидация параметра mode --- self.mode: str = parse_and_validate_mode(mode) # C. --- Настройка режима обработки HTML --- self.process_html = process_html if self.process_html and BeautifulSoup is None: logger.warning("Параметр 'process_html=True', но библиотека BeautifulSoup не установлена. " "HTML не будет обработан. Установите ее: `pip install beautifulsoup4`") self.process_html = False # D. --- Конфигурация правил для псевдографики --- self.symbols: SymbolsProcessor | None = None if symbols is True or symbols is None: self.symbols = SymbolsProcessor() elif isinstance(symbols, SymbolsProcessor): self.symbols = symbols # E. --- Инициализация правила переноса --- # Предпосылка: если вызвали типограф, значит, мы хотим обрабатывать текст и переносы тоже нужно расставлять. # А для специальных случаев, когда переносы не нужны, пусть не ленятся и делают `hyphenation=False`. 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) elif isinstance(hyphenation, Hyphenator): # C2. Если hyphenation - это объект Hyphenator, то просто сохраняем его (и используем его langs и mode) self.hyphenation = hyphenation # F. --- Конфигурация правил неразрывных слов --- 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) elif isinstance(unbreakables, Unbreakables): # D2. Если unbreakables - это объект Unbreakables, то просто сохраняем его (и используем его langs и mode) self.unbreakables = unbreakables # G. --- Конфигурация правил обработки кавычек --- self.quotes: QuotesProcessor | None = None if quotes is True or quotes is None: self.quotes = QuotesProcessor(langs=self.langs) elif isinstance(quotes, QuotesProcessor): self.quotes = quotes # H. --- Конфигурация правил для тире и спецсимволов --- self.layout: LayoutProcessor | None = None if layout is True or layout is None: self.layout = LayoutProcessor(langs=self.langs) elif isinstance(layout, LayoutProcessor): self.layout = layout # I. --- Конфигурация других правил--- # Z. --- Логирование инициализации --- logger.debug(f"Typographer `__init__`: langs: {self.langs}, mode: {self.mode}, " f"hyphenation: {self.hyphenation is not None}, " f"unbreakables: {self.unbreakables is not None}, " f"quotes: {self.quotes is not None}, " f"layout: {self.layout is not None}, " f"symbols: {self.symbols is not None}, " f"process_html: {self.process_html}") def _process_text_node(self, text: str) -> str: """ Внутренний конвейер, который работает с чистым текстом. """ # 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 = text # ВРЕМЕННО: используем текст как есть # Шаг 2: Применяем правила к чистому Unicode-тексту if self.symbols is not None: processed_text = self.symbols.process(processed_text) if self.quotes is not None: processed_text = self.quotes.process(processed_text) if self.layout is not None: processed_text = self.layout.process(processed_text) if self.unbreakables is not None: processed_text = self.unbreakables.process(processed_text) if self.hyphenation is not None: processed_text = self.hyphenation.hyp_in_text(processed_text) # ... вызовы других активных модулей правил ... # Финальный шаг: кодируем результат в соответствии с выбранным режимом return encode_from_unicode(processed_text, self.mode) def _walk_tree(self, node): """ Рекурсивно обходит DOM-дерево, находя и обрабатывая все текстовые узлы. """ # Список "детей" узла, который мы будем изменять. # Копируем в список, так как будем изменять его во время итерации. for child in list(node.children): if isinstance(child, NavigableString): # Если это текстовый узел, обрабатываем его # Пропускаем пустые или состоящие из пробелов узлы if not child.string.strip(): continue processed_node_text = self._process_text_node(child.string) child.replace_with((processed_node_text)) elif child.name not in ['style', 'script', 'pre', 'code', 'kbd', 'samp', 'math']: # Если это "безопасный" тег, рекурсивно заходим в него self._walk_tree(child) def process(self, text: str) -> str: """ Обрабатывает текст, применяя все активные правила типографики. Поддерживает обработку текста внутри HTML-тегов. """ if not text: return "" # Если включена обработка HTML и BeautifulSoup доступен if self.process_html: # Мы передаем 'html.parser', он быстрый и встроенный. soup = BeautifulSoup(markup=text, features='html.parser') # Запускаем рекурсивный обход дерева, начиная с корневого элемента self._walk_tree(soup) # Получаем измененный HTML. BeautifulSoup по умолчанию выводит без тегов # если их не было в исходной строке. processed_html = str(soup) # Финальный шаг: BeautifulSoup по умолчанию экранирует амперсанды (& -> &). # Но наш кодек encode_from_unicode() тоже это делает. Так что мы получаем двойное экранирование. # Чтобы избежать этого, мы просто заменяем & обратно на &. return processed_html.replace('&', '&') else: # Если HTML-режим выключен return self._process_text_node(text)