167 lines
8.2 KiB
Python
167 lines
8.2 KiB
Python
# etpgrf/hanging.py
|
||
# Модуль для расстановки висячей пунктуации.
|
||
|
||
import logging
|
||
from bs4 import BeautifulSoup, NavigableString, Tag
|
||
from .config import (
|
||
HANGING_PUNCTUATION_LEFT_CHARS,
|
||
HANGING_PUNCTUATION_RIGHT_CHARS,
|
||
HANGING_PUNCTUATION_CLASSES
|
||
)
|
||
|
||
logger = logging.getLogger(__name__)
|
||
|
||
|
||
class HangingPunctuationProcessor:
|
||
"""
|
||
Оборачивает символы висячей пунктуации в специальные теги <span> с классами.
|
||
"""
|
||
|
||
def __init__(self, mode: str | bool | list[str] | None = None):
|
||
"""
|
||
:param mode: Режим работы:
|
||
- None / False: отключено.
|
||
- 'left': только левая пунктуация.
|
||
- 'right': только правая пунктуация.
|
||
- 'both' / True: и левая, и правая.
|
||
- list[str]: список тегов (например, ['p', 'blockquote']),
|
||
внутри которых применять 'both'.
|
||
"""
|
||
self.mode = mode
|
||
self.target_tags = None
|
||
self.active_chars = set()
|
||
|
||
# Определяем, какие символы будем обрабатывать
|
||
if isinstance(mode, list):
|
||
self.target_tags = set(t.lower() for t in mode)
|
||
# Если передан список тегов, включаем полный режим ('both') внутри них
|
||
self.active_chars.update(HANGING_PUNCTUATION_LEFT_CHARS)
|
||
self.active_chars.update(HANGING_PUNCTUATION_RIGHT_CHARS)
|
||
elif mode == 'left':
|
||
self.active_chars.update(HANGING_PUNCTUATION_LEFT_CHARS)
|
||
elif mode == 'right':
|
||
self.active_chars.update(HANGING_PUNCTUATION_RIGHT_CHARS)
|
||
elif mode == 'both' or mode is True:
|
||
self.active_chars.update(HANGING_PUNCTUATION_LEFT_CHARS)
|
||
self.active_chars.update(HANGING_PUNCTUATION_RIGHT_CHARS)
|
||
|
||
# Предварительно фильтруем карту классов, оставляя только активные символы
|
||
self.char_to_class = {
|
||
char: cls
|
||
for char, cls in HANGING_PUNCTUATION_CLASSES.items()
|
||
if char in self.active_chars
|
||
}
|
||
|
||
logger.debug(f"HangingPunctuationProcessor initialized. Mode: {mode}, Active chars count: {len(self.active_chars)}")
|
||
|
||
def process(self, soup: BeautifulSoup) -> BeautifulSoup:
|
||
"""
|
||
Проходит по дереву soup и оборачивает висячие символы в span.
|
||
"""
|
||
if not self.active_chars:
|
||
return soup
|
||
|
||
# Если задан список целевых тегов, обрабатываем только их содержимое
|
||
if self.target_tags:
|
||
# Находим все теги из списка
|
||
# Используем select для поиска (например: "p, blockquote, h1")
|
||
selector = ", ".join(self.target_tags)
|
||
roots = soup.select(selector)
|
||
else:
|
||
# Иначе обрабатываем весь документ (начиная с корня)
|
||
roots = [soup]
|
||
|
||
for root in roots:
|
||
self._process_node_recursive(root, soup)
|
||
|
||
return soup
|
||
|
||
def _process_node_recursive(self, node, soup):
|
||
"""
|
||
Рекурсивно обходит узлы. Если находит NavigableString с нужными символами,
|
||
разбивает его и вставляет span'ы.
|
||
"""
|
||
# Работаем с копией списка детей, так как будем менять структуру дерева на лету
|
||
# (replace_with меняет дерево)
|
||
if hasattr(node, 'children'):
|
||
for child in list(node.children):
|
||
if isinstance(child, NavigableString):
|
||
self._process_text_node(child, soup)
|
||
elif isinstance(child, Tag):
|
||
# Не заходим внутрь тегов, которые мы сами же и создали (или аналогичных),
|
||
# чтобы избежать рекурсивного ада, хотя классы у нас специфичные.
|
||
self._process_node_recursive(child, soup)
|
||
|
||
def _process_text_node(self, text_node: NavigableString, soup: BeautifulSoup):
|
||
"""
|
||
Анализирует текстовый узел. Если в нем есть символы для висячей пунктуации,
|
||
заменяет узел на фрагмент (список узлов), где эти символы обернуты в span.
|
||
"""
|
||
text = str(text_node)
|
||
|
||
# Быстрая проверка: если в тексте вообще нет ни одного нашего символа, выходим
|
||
if not any(char in text for char in self.active_chars):
|
||
return
|
||
|
||
# Если символы есть, нам нужно "разобрать" строку.
|
||
new_nodes = []
|
||
current_text_buffer = ""
|
||
text_len = len(text)
|
||
|
||
for i, char in enumerate(text):
|
||
if char in self.char_to_class:
|
||
should_hang = False
|
||
|
||
# Проверяем контекст (пробелы или другие висячие символы вокруг)
|
||
if char in HANGING_PUNCTUATION_LEFT_CHARS:
|
||
# Левая пунктуация:
|
||
# 1. Начало узла
|
||
# 2. Перед ней пробел
|
||
# 3. Перед ней другой левый висячий символ (например, "((text")
|
||
if (i == 0 or
|
||
text[i-1].isspace() or
|
||
text[i-1] in HANGING_PUNCTUATION_LEFT_CHARS):
|
||
should_hang = True
|
||
elif char in HANGING_PUNCTUATION_RIGHT_CHARS:
|
||
# Правая пунктуация:
|
||
# 1. Конец узла
|
||
# 2. После нее пробел
|
||
# 3. После нее другой правый висячий символ (например, "text.»")
|
||
if (i == text_len - 1 or
|
||
text[i+1].isspace() or
|
||
text[i+1] in HANGING_PUNCTUATION_RIGHT_CHARS):
|
||
should_hang = True
|
||
|
||
if should_hang:
|
||
# 1. Сбрасываем накопленный буфер текста (если есть)
|
||
if current_text_buffer:
|
||
new_nodes.append(NavigableString(current_text_buffer))
|
||
current_text_buffer = ""
|
||
|
||
# 2. Создаем span для висячего символа
|
||
span = soup.new_tag("span")
|
||
span['class'] = self.char_to_class[char]
|
||
span.string = char
|
||
new_nodes.append(span)
|
||
else:
|
||
# Если контекст не подходит, оставляем символ как обычный текст
|
||
current_text_buffer += char
|
||
else:
|
||
# Просто накапливаем символ
|
||
current_text_buffer += char
|
||
|
||
# Добавляем остаток буфера
|
||
if current_text_buffer:
|
||
new_nodes.append(NavigableString(current_text_buffer))
|
||
|
||
# Заменяем исходный текстовый узел на набор новых узлов.
|
||
if new_nodes:
|
||
first_node = new_nodes[0]
|
||
text_node.replace_with(first_node)
|
||
|
||
# Остальные вставляем последовательно после первого
|
||
current_pos = first_node
|
||
for next_node in new_nodes[1:]:
|
||
current_pos.insert_after(next_node)
|
||
current_pos = next_node
|