| in progress // в процессе разработки |
|---|
| --------> |
Типограф для Web
Экранная типографика для веба — способствует повышению читабельности текста в интернете, приближая его к печатной типографике.
Кодировки и html-мнемоники
Внутри типографа используется кодировка UTF-8. Но при использовании может быть другие кодировки (например,
для русскоязычных текстов все ещё могут использовать Windows-1251). При таких кодировках, для отображения в браузерах
некоторых специфических символов (например, кавычек, тире, стрелочек, математических символов) используют
html-мнемоники (например, — для длинного тире, « для открывающей кавычки-ёлочки и т.д.).
tpgrf имеет три режима работы с кодировками:
- Режим
unicode— весь вывод осуществляется в кодировке UTF-8. ВЕСЬ! Включая невидимые символы, типа неразрывных и нулевых пробелов, мягких переносов и т.д. Это не всегда удобно зато типографированый текст (строки) будет максимально компактен и занимать меньше места в памяти. В этом режиме в html-мнемоники преобразуются только опасные символы:<— знак меньше<;>— знак больше>;&— амперсанд&;"— двойные кавычки";'— одинарные кавычки (апостроф)'.
- Режим
mixed— вывод осуществляется в кодировке UTF-8, но наиболее критичные символы заменяются на html-мнемоники. Они невидимы или неотличимы друг от друга на экране:­— мягкий перенос (Soft Hyphen); — неразрывный пробел (Non-Breaking Space); — полужирный пробел (En Space) — широкий пробел (Em Space) — цифровой пробел; — пунктуационный пробел; — межсимвольный пробел; — пробел "толщина волоса" (Hair Space);​— негативный пробел (Negative Space);‍— пробел нулевой ширины (без объединения) (Zero Width Non-Joiner);‌— нулевая ширина (с объединением) (Zero Width Joiner);‎— изменение направления текста на слева-направо (Left-to-Right Mark);‏— изменение направления текста на направо-налево (Right-to-Left Mark);‐— дефис (Hyphen); — средний пробел (Medium Mathematical Space);⁠— неразрывный пробел (No-Break Space);⁢— невидимый знак умножения (Invisible Times) для семантической разметки математических выражений;⁣— невидимая запятая (Invisible Comma) для семантической разметки математических выражений.
- Режим
mnemonic— применяются все возможные html-мнемоники (кроме русских букв) и символов первой половины ASCII (плюс, минус, знак равенства, знаки препинания и т.д.).
Переключение режимов осуществляется с помощью параметра mode при конфигурировании типографа:
# Задаем конфигурацию типографа
typo_mixed_mode = etpgrf.Typographer(mode='mixed')
# Обработка текста
result = typo_mixed_mode.process(text="Этот текст будет обработан в режиме mixed.")
ВАЖНО:
- Если в тексте уже есть html-мнемоники, они будут преобразованы в unicode, и после обработки типографом будут заменены на html-мнемоники, соответствующие текущему режиму работы типографа.
- Некоторым символам соответствуют несколько html-мнемоник. Например,
→(стрелочка влево) может кодироваться как→,→,&rightarrow,→и→. Типограф будет использовать самое короткое из них (для компактности), а значит:- если в исходном тексте были html-мнемоники, то они будут заменены на более короткие;
- если html-мнемоники использовались как элементы семантической разметки (например, для математических выражений),
то после замены на более короткие html-мнемоники, текст может потерять такую семантику. Например F = A ⋂ B:
F = A ⋂ Bбудет преобразовано вF = A ⋂ B;
- Мнемоники для русских букв не используются в типографе. Все мнемоники русских букв будут преобразованы в русские буквы и останутся в тексте в виде русских букв.
- Все исходные html-мнемоники, которые превращаются в два unicode-символа будут превращены обратно в мнемоники каждый
как отдельный символ. Например, множество собственное другого подмножества
⊊︀в unicode отображается двумя символами\u228a\ufe00и превратится в⊊\ufe00. Символ\ufe00— это невидимый символ, cелектор варианта начертания (Variant Selector), который изменяет начертание предыдущего символа и для него нет html-мнемоники. К счастью, в стандарте таких мнемоник (превращающихся в два символа) исчезающе мало и они крайне редко применяются в тексте, поэтому это не должно вызывать проблем.
Переносы слов
Обычно в основе переносов слов лежит фонетический принцип — деление по слогам и морфемный принцип — деление по морфемам (приставки, корни, суффиксы, окончания). В типографе etpgrf реализован эвристический подход к переносу слов, основанный на фонетических правилах. Он не является строгим и не учитывает все нюансы языка, но обеспечивает вполне приемлемое качество для большинства случаев. Особенно если "неразрывные" блоки задать достаточно длинными (и именно это и требуется от хорошего типографа, ведь перенос трех-четырех букв слова на новую строку почти не улучшит читабельность и внешний вид текста).
Настройки по умолчанию для переноса слов (в etpgrf.defaults):
- Длина слова которое не подлежит переносам (
MAX_UNHYPHENATED_LEN) — 12 символов. - Длина части слова, которое недопустимо переносить или оставлять на строке ("хвост", "сироты") (
MIN_TAIL_LEN) — 7 символ
Управление этими параметрами осуществляется через переопределение. Например:
# Меняем настройки по умолчанию для переносов
etpgrf.defaults.etpgrf_settings.hyphenation.MAX_UNHYPHENATED_LEN = 8
etpgrf.defaults.etpgrf_settings.hyphenation.MIN_TAIL_LEN = 4
Или через параметры конфигурации переносов типографа:
# Определяем пользовательские правила переносов
hyphen_settings = etpgrf.Hyphenator(langs='ru', max_unhyphenated_len=8)
# Передаем их в типограф
typo_hyp = etpgrf.Typographer(langs='ru', mode='mnemonic', hyphenation=hyphen_settings)
# Обработка текста с переносами
result = typo_hyp.process(text="Электрофоретическое исследование характеризуется квинтэссенциальной значимостью!")
Результат обработки текста с переносами будет выглядеть так:
Электрофо­ретическое исследование характе­ризуется квинтэс­сенциальной значимостью!
Предлоги, союзы и частицы
Кавычки
Теперь хочу обсудить модуль работы с кавычками. Большинство изсестных мне типографов разибают праные кавчки и превращают их в спец-сиволы. Мне каежтся это неверно, ведь ковычки моут быть не парными и вложенность может быть произвольной. Мне кажется нужен другой подход. Обнаруживать только конструкции "слово или слово" и преобразовывать только их. Соответсвнно в елочки или лапки в зависимоати от языка. При этом если уже в тескте есть лапки, елочки или другие типы кавычек — ничего не менять (автор текстьа сам знает, какие кавычки лучшк). Кавычки окруженные пробелами или буквать с дрвух сторон превоащать в " ...
Как считаешь, это рабочий подход??
1.Надежность (Robustness): Вы правильно заметили, что символ " используется не только для кавычек. Это могут быть дюймы (17"), секунды (3' 25"), обозначения в коде (print("Hello")) и т.д. Ваш метод, который ищет кавычку рядом со словом ("слово или слово"), с гораздо меньшей вероятностью сломает такие конструкции.2.Уважение к авторскому замыслу: Правило "если уже есть ёлочки или лапки — ничего не менять" — это золотой стандарт. Типограф не должен "исправлять" то, что уже было отформатировано автором вручную. Это предотвращает двойное преобразование и сохраняет особые случаи, задуманные автором.3.Простота и производительность: Вместо сложного и медленного парсера, который отслеживает уровни вложенности (и часто ошибается), ваш подход можно реализовать с помощью нескольких быстрых регулярных выражений.4.Безопасность: Идея превращать оставшиеся "одинокие" кавычки в " — это отличный механизм защиты. Он гарантирует, что на выходе не останется "сырых" кавычек, которые могут сломать HTML-разметку.