misc/translator/text-extract2.pl

   1 #!/usr/bin/perl
   2
   3 # Test filter partially based on Ambrose's hideous subst.pl code
   4 # The idea is that the .tmpl files are not valid HTML, and as a result
   5 # HTML::Parse would be completely confused by these templates.
   6 # This is just a simple scanner (not a parser) & should give better results.
   7
   8 # This script is meant to be a drop-in replacement of text-extract.pl
   9
  10 # A grander plan: Code could be written to detect template variables and
  11 # construct gettext-c-format-string-like meta-strings (e.g., "Results %s
  12 # through %s of %s records" that will be more likely to be translatable
  13 # to languages where word order is very unlike English word order.
  14 # --> This will be relatively major rework, and requires corresponding
  15 # rework in tmpl_process.pl
  16
  17 use strict;
  18 #use warnings; FIXME - Bug 2505
  19 use Getopt::Long;
  20 use TmplTokenizer;
  21 use VerboseWarnings;
  22
  23 use vars qw( $input );
  24 use vars qw( $debug_dump_only_p );
  25 use vars qw( $pedantic_p );
  26 use vars qw( $allow_cformat_p ); # FOR TESTING PURPOSES ONLY!!
  27
  28 ###############################################################################
  29
  30 sub underline ($) { # for testing only
  31     my($s) = @_;
  32     join('', map {/[\0-\37]/? $_: "$_\b$_"} split(//, $s));
  33 }
  34
  35 sub debug_dump ($) { # for testing only
  36     my($h) = @_;
  37     print "re_tag_compat is /", TmplTokenizer::re_tag(1), "/\n";
  38     for (;;) {
  39         my $s = TmplTokenizer::next_token $h;
  40     last unless defined $s;
  41         printf "%s\n", ('-' x 79);
  42         my($kind, $t, $attr) = ($s->type, $s->string, $s->attributes);
  43         printf "%s [line %d]:\n", $kind->to_string, $s->line_number;
  44         printf "%4dH%s\n", length($t), underline($t);
  45         if ($kind == TmplTokenType::TAG && %$attr) {
  46             printf "Attributes:\n";
  47             for my $a (keys %$attr) {
  48                 my($key, $val, $val_orig, $order) = @{$attr->{$a}};
  49                 printf "%s = %dH%s -- %s\n", $a, length $val, underline $val,
  50                 $val_orig;
  51             }
  52         }
  53         if ($kind == TmplTokenType::TEXT_PARAMETRIZED) {
  54             printf "Form (c-format string):\n";
  55             printf "%dH%s\n", length $s->form, underline $s->form;
  56             printf "Parameters:\n";
  57             my $i = 1;
  58             for my $a ($s->parameters) {
  59                 my $t = $a->string;
  60                 printf "%%%d\$s = %dH%s\n", $i, length $t, underline $t;
  61                 $i += 1;
  62             }
  63         }
  64         if ($s->has_js_data) {
  65             printf "JavaScript translatable strings:\n";
  66             for my $t (@{$s->js_data}) {
  67                 printf "%dH%s\n", length $t->[3], underline $t->[3] if $t->[0]; # FIXME
  68             }
  69         }
  70     }
  71 }
  72
  73 ###############################################################################
  74
  75 sub text_extract ($) {
  76     my($h) = @_;
  77     my %text = ();
  78     for (;;) {
  79         my $s = TmplTokenizer::next_token $h;
  80     last unless defined $s;
  81         my($kind, $t, $attr) = ($s->type, $s->string, $s->attributes);
  82         if ($kind == TmplTokenType::TEXT) {
  83             $t = TmplTokenizer::trim $t;
  84             $text{$t} = 1 if $t =~ /\S/s;
  85         } elsif ($kind == TmplTokenType::TAG && %$attr) {
  86             # value [tag=input], meta
  87             my $tag = lc($1) if $t =~ /^<(\S+)/s;
  88             for my $a ('alt', 'content', 'title', 'value') {
  89                 if ($attr->{$a}) {
  90                     next if $a eq 'content' && $tag ne 'meta';
  91                     next if $a eq 'value' && ($tag ne 'input'
  92                         || (ref $attr->{'type'} && $attr->{'type'}->[1] =~ /^(?:hidden|radio)$/)); # FIXME
  93                     my($key, $val, $val_orig, $order) = @{$attr->{$a}}; #FIXME
  94                     $val = TmplTokenizer::trim $val;
  95                     $text{$val} = 1 if $val =~ /\S/s;
  96                 }
  97             }
  98         } elsif ($s->has_js_data) {
  99             for my $t (@{$s->js_data}) {
 100                 remember( $s, $t->[3] ) if $t->[0]; # FIXME
 101             }
 102         }
 103     }
 104     # Emit all extracted strings.
 105     # Don't emit pure whitespace, pure numbers, or TMPL_VAR's.
 106     for my $t (keys %text) {
 107         printf "%s\n", $t
 108             unless TmplTokenizer::blank_p($t) || $t =~ /^\d+$/;
 109     }
 110 }
 111
 112 ###############################################################################
 113
 114 sub usage ($) {
 115     my($exitcode) = @_;
 116     my $h = $exitcode? *STDERR: *STDOUT;
 117     print $h <<EOF;
 118 Usage: $0 [OPTIONS]
 119 Extract strings from HTML file.
 120
 121       --debug-dump-only     Do not extract strings; but display scanned tokens
 122   -f, --file=FILE           Extract from the specified FILE
 123       --pedantic-warnings   Issue warnings even for detected problems which
 124                             are likely to be harmless
 125       --help                Display this help and exit
 126 EOF
 127     exit($exitcode);
 128 }
 129
 130 ###############################################################################
 131
 132 sub usage_error (;$) {
 133     print STDERR "$_[0]\n" if @_;
 134     print STDERR "Try `$0 --help' for more information.\n";
 135     exit(-1);
 136 }
 137
 138 ###############################################################################
 139
 140 GetOptions(
 141     'enable-cformat'    => \$allow_cformat_p,
 142     'f|file=s'          => \$input,
 143     'debug-dump-only'   => \$debug_dump_only_p,
 144     'pedantic-warnings' => sub { $pedantic_p = 1 },
 145     'help'              => sub { usage(0) },
 146 ) || usage_error;
 147
 148 VerboseWarnings::set_application_name $0;
 149 VerboseWarnings::set_input_file_name $input;
 150 VerboseWarnings::set_pedantic_mode $pedantic_p;
 151
 152 usage_error('Missing mandatory option -f') unless defined $input;
 153
 154 my $h = TmplTokenizer->new( $input );
 155 $h->set_allow_cformat( 1 ) if $allow_cformat_p;
 156 if ($debug_dump_only_p) {
 157     debug_dump( $h );
 158 } else {
 159     text_extract( $h );
 160 }
 161
 162 warn "This input will not work with Mozilla standards-compliant mode\n", undef
 163         if TmplTokenizer::syntaxerror_p;
 164
 165 close INPUT;
 166
 167 exit(-1) if TmplTokenizer::fatal_p;