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 Getopt::Long;
  18 use TmplTokenizer;
  19 use VerboseWarnings;
  20 use strict;
  21
  22 use vars qw( $input );
  23 use vars qw( $debug_dump_only_p );
  24 use vars qw( $pedantic_p );
  25
  26 ###############################################################################
  27
  28 sub debug_dump (*) { # for testing only
  29     my($h) = @_;
  30     print "re_tag_compat is /$TmplTokenizer::re_tag_compat/\n";
  31     for (;;) {
  32         my $s = TmplTokenizer::next_token $h;
  33     last unless defined $s;
  34         printf "%s\n", ('-' x 79);
  35         my($kind, $t, $attr) = @$s; # FIXME
  36         printf "%s:\n", $kind;
  37         printf "%4dH%s\n", length($t),
  38                 join('', map {/[\0-\37]/? $_: "$_\b$_"} split(//, $t));
  39         if ($kind eq TmplTokenizer::KIND_TAG && %$attr) {
  40             printf "Attributes:\n";
  41             for my $a (keys %$attr) {
  42                 my($key, $val, $val_orig, $order) = @{$attr->{$a}};
  43                 printf "%s = %dH%s -- %s\n", $a, length $val,
  44                 join('', map {/[\0-\37]/? $_: "$_\b$_"} split(//, $val)),
  45                 $val_orig;
  46             }
  47         }
  48     }
  49 }
  50
  51 ###############################################################################
  52
  53 sub text_extract (*) {
  54     my($h) = @_;
  55     my %text = ();
  56     for (;;) {
  57         my $s = TmplTokenizer::next_token $h;
  58     last unless defined $s;
  59         my($kind, $t, $attr) = @$s; # FIXME
  60         if ($kind eq TmplTokenizer::KIND_TEXT) {
  61             $t = TmplTokenizer::trim $t;
  62             $text{$t} = 1 if $t =~ /\S/s;
  63         } elsif ($kind eq TmplTokenizer::KIND_TAG && %$attr) {
  64             # value [tag=input], meta
  65             my $tag = lc($1) if $t =~ /^<(\S+)/s;
  66             for my $a ('alt', 'content', 'title', 'value') {
  67                 if ($attr->{$a}) {
  68                     next if $a eq 'content' && $tag ne 'meta';
  69                     next if $a eq 'value' && ($tag ne 'input'
  70                         || (ref $attr->{'type'} && $attr->{'type'}->[1] eq 'hidden')); # FIXME
  71                     my($key, $val, $val_orig, $order) = @{$attr->{$a}}; #FIXME
  72                     $val = TmplTokenizer::trim $val;
  73                     $text{$val} = 1 if $val =~ /\S/s;
  74                 }
  75             }
  76         }
  77     }
  78     # Emit all extracted strings.
  79     # Don't emit pure whitespace, pure numbers, or TMPL_VAR's.
  80     for my $t (keys %text) {
  81         printf "%s\n", $t
  82             unless $t =~ /^(?:\s|\&nbsp$TmplTokenizer::re_end_entity|$TmplTokenizer::re_tmpl_var)*$/os || $t =~ /^\d+$/;
  83     }
  84 }
  85
  86 ###############################################################################
  87
  88 sub usage ($) {
  89     my($exitcode) = @_;
  90     my $h = $exitcode? *STDERR: *STDOUT;
  91     print $h <<EOF;
  92 Usage: $0 [OPTIONS]
  93 Extract strings from HTML file.
  94
  95       --debug-dump-only     Do not extract strings; but display scanned tokens
  96   -f, --file=FILE           Extract from the specified FILE
  97       --pedantic-warnings   Issue warnings even for detected problems which
  98                             are likely to be harmless
  99       --help                Display this help and exit
 100 EOF
 101     exit($exitcode);
 102 }
 103
 104 ###############################################################################
 105
 106 sub usage_error (;$) {
 107     print STDERR "$_[0]\n" if @_;
 108     print STDERR "Try `$0 --help' for more information.\n";
 109     exit(-1);
 110 }
 111
 112 ###############################################################################
 113
 114 GetOptions(
 115     'f|file=s'          => \$input,
 116     'debug-dump-only'   => \$debug_dump_only_p,
 117     'pedantic-warnings' => sub { $pedantic_p = 1 },
 118     'help'              => sub { usage(0) },
 119 ) || usage_error;
 120
 121 VerboseWarnings::set_application_name $0;
 122 VerboseWarnings::set_input_file_name $input;
 123 VerboseWarnings::set_pedantic_mode $pedantic_p;
 124
 125 usage_error('Missing mandatory option -f') unless defined $input;
 126
 127 open(INPUT, "<$input") || die "$0: $input: $!\n";
 128 if ($debug_dump_only_p) {
 129     debug_dump(*INPUT);
 130 } else {
 131     text_extract(*INPUT);
 132 }
 133
 134 warn "This input will not work with Mozilla standards-compliant mode\n", undef
 135         if TmplTokenizer::syntaxerror_p;
 136
 137 close INPUT;
 138
 139 exit(-1) if TmplTokenizer::fatal_p;