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 # FIXME: Strings like "<< Prev" confuses *this* filter
  11
  12 use Getopt::Long;
  13 use strict;
  14
  15 use vars qw( $input );
  16 use vars qw( $debug_dump_only_p );
  17
  18 ###############################################################################
  19
  20 # Hideous stuff
  21 use vars qw( $re_directive );
  22 BEGIN {
  23     # $re_directive must not do any backreferences
  24     $re_directive = q{<(?:(?i)(?:!--\s*)?\/?TMPL_(?:VAR|LOOP|INCLUDE|IF|ELSE|UNLESS)\b(?:\s+(?:[a-zA-Z][-a-zA-Z0-9]*=)?(?:'[^']*'|"[^"]*"|[^\s<>]+))\s*(?:--)?)>};
  25 }
  26
  27 # Hideous stuff from subst.pl, slightly modified to use the above hideous stuff
  28 # Note: The $re_tag's set $1 (<tag), $2 (>), and $3 (rest of string)
  29 use vars qw( $re_comment $re_entity_name $re_end_entity $re_etag );
  30 use vars qw( $re_tag_strict $re_tag_compat @re_tag );
  31 sub re_tag ($) {
  32    my($compat) = @_;
  33    my $etag = $compat? '>': '<>\/';
  34    # See the file "subst.pl.test1" for how the following mess is derived
  35    # Unfortunately, inserting $re_directive's has made this even messier
  36    q{(<\/?(?:|(?:"(?:} . $re_directive . q{|[^"])*"|'(?:} . $re_directive . q{|[^'])*'|--(?:[^-]|-[^-])*--|(?:} . $re_directive . q{|[^-"'} . $etag . q{]|-[^-]))+))([} . $etag . q{])(.*)};
  37 }
  38 BEGIN {
  39     $re_comment = '(?:--(?:[^-]|-[^-])*--)';
  40     $re_entity_name = '(?:[^&%#;<>\s]+)'; # NOTE: not really correct SGML
  41     $re_end_entity = '(?:;|$|(?=\s))'; # semicolon or before-whitespace
  42     $re_etag = q{(?:<\/?(?:"[^"]*"|'[^']*'|[^"'>\/])*[>\/])}; # end-tag
  43     @re_tag = ($re_tag_strict, $re_tag_compat) = (re_tag(0), re_tag(1));
  44 }
  45
  46 # End of the hideous stuff
  47
  48 sub KIND_TEXT      () { 'TEXT' }
  49 sub KIND_CDATA     () { 'CDATA' }
  50 sub KIND_TAG       () { 'TAG' }
  51 sub KIND_DECL      () { 'DECL' }
  52 sub KIND_PI        () { 'PI' }
  53 sub KIND_DIRECTIVE () { 'HTML::Template' }
  54 sub KIND_COMMENT   () { 'COMMENT' }   # empty DECL with exactly one SGML comment
  55 sub KIND_UNKNOWN   () { 'ERROR' }
  56
  57 use vars qw( $readahead $lc_0 $lc $syntaxerror_p );
  58 use vars qw( $cdata_mode_p $cdata_close );
  59
  60 sub extract_attributes ($;$) {
  61     my($s, $lc) = @_;
  62     my %attr;
  63     $s = $1 if $s =~ /^<\S+(.*)\S$/s; # should be always true
  64     for (my $i = 0; $s =~ /^\s+(?:([a-zA-Z][-a-zA-Z0-9]*)=)?('((?:$re_directive|[^'])*)'|"((?:$re_directive|[^"])*)"|(($re_directive|[^\s<>])+))/os;) {
  65         my($key, $val, $val_orig, $rest)
  66                 = ($1, (defined $3? $3: defined $4? $4: $5), $2, $');
  67         $i += 1;
  68         $attr{+lc($key)} = [$key, $val, $val_orig, $i];
  69         $s = $rest;
  70     }
  71     if ($s =~ /\S/s) { # should never happen
  72         warn "Warning: Strange attribute syntax"
  73                 . (defined $lc? " in line $lc": '') . ": $s\n";
  74     } else {
  75     }
  76     return \%attr;
  77 }
  78
  79 sub next_token_internal (*) {
  80     my($h) = @_;
  81     my($it, $kind);
  82     my $eof_p = 0;
  83     if (!defined $readahead || !length $readahead) {
  84         my $next = scalar <$h>;
  85         $eof_p = !defined $next;
  86         if (!$eof_p) {
  87             $lc += 1;
  88             $readahead .= $next;
  89         }
  90     }
  91     $lc_0 = $lc;                        # remember line number of first line
  92     if ($eof_p && !length $readahead) { # nothing left to do
  93         ;
  94     } elsif ($readahead =~ /^\s+/s) {   # whitespace
  95         ($kind, $it, $readahead) = (KIND_TEXT, $&, $');
  96     } elsif ($readahead =~ /^[^<]+/s) { # non-whitespace normal text
  97         ($kind, $it, $readahead) = (KIND_TEXT, $&, $');
  98     } else {                            # tag/declaration/processing instruction
  99         my $ok_p = 0;
 100         for (;;) {
 101             if ($cdata_mode_p) {
 102                 if ($readahead =~ /^$cdata_close/) {
 103                     ($kind, $it, $readahead) = (KIND_TAG, $&, $');
 104                     $ok_p = 1;
 105                 } else {
 106                     ($kind, $it, $readahead) = (KIND_TEXT, $readahead, undef);
 107                     $ok_p = 1;
 108                 }
 109             } elsif ($readahead =~ /^$re_tag_compat/os) {
 110                 ($kind, $it, $readahead) = (KIND_TAG, "$1$2", $3);
 111                 $ok_p = 1;
 112             } elsif ($readahead =~ /^<!--(?:(?!-->).)*-->/s) {
 113                 ($kind, $it, $readahead) = (KIND_COMMENT, $&, $');
 114                 $ok_p = 1;
 115                 warn "Warning: Syntax error in comment at line $lc_0: $&\n";
 116                 $syntaxerror_p = 1;
 117             }
 118         last if $ok_p;
 119             my $next = scalar <$h>;
 120             $eof_p = !defined $next;
 121         last if $eof_p;
 122             $lc += 1;
 123             $readahead .= $next;
 124         }
 125         if ($kind ne KIND_TAG) {
 126             ;
 127         } elsif ($it =~ /^<!/) {
 128             $kind = KIND_DECL;
 129             $kind = KIND_COMMENT if $it =~ /^<!--(?:(?!-->).)*-->/;
 130         } elsif ($it =~ /^<\?/) {
 131             $kind = KIND_PI;
 132         }
 133         if ($it =~ /^$re_directive/ios && !$cdata_mode_p) {
 134             $kind = KIND_DIRECTIVE;
 135         }
 136         ($kind, $it) = (KIND_UNKNOWN, $readahead)
 137                 if !$ok_p && $eof_p && !length $readahead;
 138     }
 139     return defined $it? (wantarray? ($kind, $it):
 140                                     [$kind, $it]): undef;
 141 }
 142
 143 sub next_token (*) {
 144     my($h) = @_;
 145     my $it;
 146     if (!$cdata_mode_p) {
 147         $it = next_token_internal($h);
 148         if (defined $it && $it->[0] eq KIND_TAG) { # FIXME
 149             ($cdata_mode_p, $cdata_close) = (1, "</$1\\s*>")
 150                     if $it->[1] =~ /^<(script|style|textarea)\b/i; #FIXME
 151             push @$it, extract_attributes($it->[1], $lc); #FIXME
 152         }
 153     } else {
 154         for (;;) {
 155             my $lc_prev = $lc;
 156             my $next = next_token_internal($h);
 157         last if !defined $next;
 158             if (defined $next && $next->[1] =~ /$cdata_close/i) { #FIXME
 159                 ($lc, $readahead) = ($lc_prev, $next->[1] . $readahead); #FIXME
 160                 $cdata_mode_p = 0;
 161             }
 162         last unless $cdata_mode_p;
 163             $it .= $next->[1]; #FIXME
 164         }
 165         $it = [KIND_CDATA, $it] if defined $it; #FIXME
 166         $cdata_close = undef;
 167     }
 168     return defined $it? (wantarray? @$it: $it): undef;
 169 }
 170
 171 ###############################################################################
 172
 173 sub debug_dump (*) { # for testing only
 174     my($h) = @_;
 175     print "re_tag_compat is /$re_tag_compat/\n";
 176     for (;;) {
 177         my $s = next_token $h;
 178     last unless defined $s;
 179         printf "%s\n", ('-' x 79);
 180         my($kind, $t, $attr) = @$s; # FIXME
 181         printf "%s:\n", $kind;
 182         printf "%4dH%s\n", length($t),
 183                 join('', map {/[\0-\37]/? $_: "$_\b$_"} split(//, $t));
 184         if ($kind eq KIND_TAG && %$attr) {
 185             printf "Attributes:\n";
 186             for my $a (keys %$attr) {
 187                 my($key, $val, $val_orig, $order) = @{$attr->{$a}};
 188                 printf "%s = %dH%s -- %s\n", $a, length $val,
 189                 join('', map {/[\0-\37]/? $_: "$_\b$_"} split(//, $val)),
 190                 $val_orig;
 191             }
 192         }
 193     }
 194 }
 195
 196 ###############################################################################
 197
 198 sub text_extract (*) {
 199     my($h) = @_;
 200     my %text = ();
 201     for (;;) {
 202         my $s = next_token $h;
 203     last unless defined $s;
 204         my($kind, $t, $attr) = @$s; # FIXME
 205         if ($kind eq KIND_TEXT) {
 206             $t =~ s/\s+$//s;
 207             $text{$t} = 1 if $t =~ /\S/s;
 208         } elsif ($kind eq KIND_TAG && %$attr) {
 209             # value [tag=input], meta
 210             my $tag = lc($1) if $t =~ /^<(\S+)/s;
 211             for my $a ('alt', 'content', 'title', 'value') {
 212                 if ($attr->{$a}) {
 213                     next if $a eq 'content' && $tag ne 'meta';
 214                     next if $a eq 'value' && ($tag ne 'input'
 215                         || (ref $attr->{'type'} && $attr->{'type'}->[1] eq 'hidden')); # FIXME
 216                     my($key, $val, $val_orig, $order) = @{$attr->{$a}}; #FIXME
 217                     $val =~ s/\s+$//s;
 218                     $text{$val} = 1 if $val =~ /\S/s;
 219                 }
 220             }
 221         }
 222     }
 223     for my $t (keys %text) {
 224         printf "%s\n", $t unless $t =~ /^(?:\s|\&nbsp;)*$/s;
 225     }
 226 }
 227
 228 ###############################################################################
 229
 230 GetOptions(
 231     'f|file=s' => \$input,
 232     'debug-dump-only-p' => \$debug_dump_only_p,
 233 ) || exit(-1);
 234
 235 open(INPUT, "<$input") || die "$0: $input: $!\n";
 236 if ($debug_dump_only_p) {
 237     debug_dump(*INPUT);
 238 } else {
 239     text_extract(*INPUT);
 240 }
 241
 242 warn "Warning: This input will not work with Mozilla standards-compliant mode\n"
 243         if $syntaxerror_p;
 244
 245 close INPUT;
 246