Выровненный простой текст из HTML

Мне нужно простое текстовое представление произвольного файла HTML (например, сообщение в блоге). Пока это не проблема, существуют десятки конвертеров HTML в txt. Однако текст в абзацах (читай «p элементы») должен быть выровнен в представлении обычного текста (до определенного количества столбцов) и, если возможно, расставлен через дефис, чтобы обеспечить лучший читаемый результат. Кроме того, результирующий текстовый файл должен быть в кодировке UTF-8 или UTF-16.

Простая текстовая беседа, которую я могу вести с помощью XSLT, почти тривиальна. Но обоснование текста выходит за рамки его возможностей (не совсем так, потому что XSLT является полным по Тьюрингу, но достаточно близким к реальности).

FOP и XSL-FO также не работают. Они делают то, что просили, но обычный текстовый вывод FOP ужасен (разработчики говорят, что он не предназначен для такого использования).

Я также экспериментировал с HTML -> XSLT -> Roff, но я застрял с groff, и его поддержка Unicode далека от оптимальной. Поскольку есть такие символы, как многоточие ("...") и типографически правильные кавычки, довольно громоздко указать groff в таблице стилей XSLT escape-последовательности для десятков символов Unicode.

Другим способом может быть преобразование в TeX и вывод в виде простого текста, но я никогда раньше не пробовал это с (La)TeX.

Возможно, я пропустил что-то очень простое. Есть ли у кого-нибудь идея, как я могу достичь вышеизложенного? Кстати: Решение желательно должно работать без root-прав на установку, с PHP, Python, Perl, XSLT или любой программой, найденной в полуприличном дистрибутиве Linux.


html justify plaintext
person Boldewyn    schedule 30.10.2009    source источник

Ответы (3)


arrow_upward
4
arrow_downward

Попробуйте Питон. Используйте BeautifulSoup для анализа HTML. модуль переноса текста позволит вам отформатировать текст.

Однако отсутствуют две функции. Чтобы выровнять текст, вам нужно будет добавить пробелы в каждую строку, но это не должно быть большой проблемой (см. этот пример кода).

Для расстановки переносов попробуйте этот проект.

person Aaron Digulla    schedule 30.10.2009
comment
Это немного BYO, но да, с небольшой логикой, реализованной между textwrap и переносами, это может работать. Мне нравится чистый Python-подход. - person Boldewyn; 30.10.2009

arrow_upward
2
arrow_downward

Если вы знакомы с Emacs, вы можете открыть файл HTML в Emacs-W3M (т.е. M-x w3m-find-file foo.html) , сохраните отображаемую страницу как обычный текстовый файл, а затем вызовите для нее M-x set-justification-full.

Вы даже можете написать небольшую функцию для выполнения этой работы:

(defun my-html-to-justifed-text (html-file text-file)
  "Convert HTML-FILE to plain TEXT-FILE."
  (find-file html-file)
  (w3m-rendering-buffer)
  (set-justification-full (point-min) (point-max))
  (write-file text-file))

(my-html-to-justifed-text "~/tmp/2.html" "~/tmp/2.txt")
person viam0Zah    schedule 10.11.2009
comment
Это тоже хорошо, и мне нравится решение на Лиспе... Я принимаю ответ Аарона, потому что он также включает часть с переносами, но спасибо, что показали, на что способен Emacs. - person Boldewyn; 10.11.2009

arrow_upward
0
arrow_downward

Ссылки или lynx стоит попробовать, см. переключатель -dump. Часть кодирования вы можете легко решить отдельно, используя iconv или что-то подобное.

person zoul    schedule 30.10.2009
comment
Рысь не оправдывает, не так ли? Насколько я знаю, он полностью игнорирует CSS (который мало полезен для терминальных браузеров). Итак, это просто преобразование HTML в текст, что довольно просто и с другими методами. Прости. - person Boldewyn; 30.10.2009
comment
А вы пробовали какие-то варианты ссылок? Они намного лучше подходят для форматирования, некоторые из них также могут поддерживать выравнивание. - person zoul; 30.10.2009
comment
Может быть, я что-то упустил, но я не нашел ни Lynx, ни Links, ни Elinks, ни Links-hacked, ни w3m, делающих выравнивание или даже перенос. - person Boldewyn; 02.11.2009
comment
Ах, тогда извините, я просто предположил. - person zoul; 02.11.2009
comment
Без проблем! На самом деле, мне бы очень хотелось, чтобы браузер на основе терминала поддерживал медиа-тип CSS @tty. - person Boldewyn; 03.11.2009