Annotation of modules/damieng/clean_xml/html_to_xml.pm, revision 1.1

1.1     ! damieng     1: #!/usr/bin/perl
        !             2: 
        !             3: 
        !             4: package html_to_xml;
        !             5: 
        !             6: use strict;
        !             7: use utf8;
        !             8: use warnings;
        !             9: use HTML::Parser ();
        !            10: 
        !            11: # always closing, end tags are ignored:
        !            12: my @empty = ('base','br','col','hr','img','input','keygen','link','meta','param','source','track','wbr', 'frame', 'embed','startouttext','endouttext');
        !            13: 
        !            14: #my @block_html = ('html','body','h1','h2','h3','h4','h5','h6','div','p','ul','ol','table','tbody','tr','td','th','dl','pre','noscript','blockquote','object','applet','embed','map','form','fieldset','iframe');
        !            15: 
        !            16: 
        !            17: my $result;
        !            18: my @stack;
        !            19: my $close_warning;
        !            20: 
        !            21: 
        !            22: # This takes non-well-formed UTF-8 LC+HTML and returns well-formed but non-valid XML LC+XHTML.
        !            23: sub html_to_xml {
        !            24:   my($textref) = @_;
        !            25:   $result = '';
        !            26:   @stack = ();
        !            27:   $close_warning = '';
        !            28:   my $p = HTML::Parser->new( api_version => 3,
        !            29:                           start_h => [\&start, "tagname, attr, attrseq"],
        !            30:                           end_h   => [\&end,   "tagname"],
        !            31:                           text_h  => [\&text, "dtext"],
        !            32:                           comment_h  => [\&comment, "tokens"],
        !            33:                           declaration_h  => [\&declaration, "tokens"],
        !            34:                           process_h  => [\&process, "token0"],
        !            35:                         );
        !            36:   # NOTE: by default, the HTML parser turns all attribute and elements names to lowercase
        !            37:   $p->empty_element_tags(1);
        !            38:   $result .= "<?xml version='1.0' encoding='UTF-8'?>\n";
        !            39:   $p->parse($$textref);
        !            40:   for (my $i=scalar(@stack)-1; $i>=0; $i--) {
        !            41:     if ($close_warning ne '') {
        !            42:       $close_warning .= ', ';
        !            43:     }
        !            44:     $close_warning .= $stack[$i];
        !            45:     $result .= '</'.$stack[$i].'>';
        !            46:   }
        !            47:   if ($close_warning ne '') {
        !            48:     print "Warning: the parser had to add closing tags to understand the document ($close_warning)\n";
        !            49:   }
        !            50:   return \$result;
        !            51: }
        !            52: 
        !            53: sub start {
        !            54:   my($tagname, $attr, $attrseq) = @_;
        !            55:   
        !            56:   # NOTE: we could do things more like web browsers, but I'm nore sure the result would be better with LON-CAPA files
        !            57:   # (in problem files there are not so many missing tags)
        !            58:   # See http://www.w3.org/TR/html5/syntax.html#an-introduction-to-error-handling-and-strange-cases-in-the-parser
        !            59:   
        !            60:   if ($tagname eq 'o:p') {
        !            61:     return;
        !            62:   }
        !            63:   
        !            64:   if ($tagname =~ /@.*\.[a-z]{2,3}$/) { # email <name@hostname>
        !            65:     $result .= "&lt;$tagname&gt;";
        !            66:     return;
        !            67:   }
        !            68:   
        !            69:   #$tagname = lc($tagname); this is done by default by the parser
        !            70:   $tagname = fix_tag($tagname);
        !            71:   if (scalar(@stack) > 0 && $stack[scalar(@stack)-1] eq 'tr' && $tagname ne 'tr' && $tagname ne 'td' && $tagname ne 'th' &&
        !            72:       !string_in_array(['part','block','comment','endouttext','problemtype','standalone','startouttext','tex','translated','web','while','randomlist','font','b','form'], $tagname)) {
        !            73:     # NOTE: a 'part' or 'block' element between tr and td will not be valid, but changing tag order would make things worse
        !            74:     # font and b will be removed in post_xml, so we can leave it for now, to handle things like <TR><FONT FACE="Palatino"><TD...
        !            75:     # form is to avoid an empty form in some cases (it might not work anyway, but it is better to keep this bug the way it is)
        !            76:     print "Warning: a <td> tag was added because a $tagname element was directly under a tr\n";
        !            77:     start('td');
        !            78:   }
        !            79:   if ($tagname eq 'p' && scalar(@stack) > 0 && $stack[scalar(@stack)-1] eq 'p') {
        !            80:     end('p');
        !            81:   } elsif ($tagname eq 'li') {
        !            82:     my $ind_li = last_index_of(\@stack, 'li');
        !            83:     my $ind_ul = last_index_of(\@stack, 'ul');
        !            84:     my $ind_ol = last_index_of(\@stack, 'ol');
        !            85:     if ($ind_li != -1 && ($ind_ul == -1 || $ind_ul < $ind_li) && ($ind_ol == -1 || $ind_ol < $ind_li)) {
        !            86:       end('li');
        !            87:     }
        !            88:   } elsif ($tagname eq 'tr') {
        !            89:     my $ind_table = last_index_of(\@stack, 'table');
        !            90:     my $ind_tr = last_index_of(\@stack, 'tr');
        !            91:     if ($ind_tr != -1 && ($ind_table == -1 || $ind_table < $ind_tr)) {
        !            92:       end('tr');
        !            93:     }
        !            94:   } elsif ($tagname eq 'td' || $tagname eq 'th') {
        !            95:     my $ind_table = last_index_of(\@stack, 'table');
        !            96:     my $ind_td = last_index_of(\@stack, 'td');
        !            97:     my $ind_th = last_index_of(\@stack, 'th');
        !            98:     my $ind_tr = last_index_of(\@stack, 'tr');
        !            99:     if ($ind_tr == -1 || ($ind_table != -1 && $ind_table > $ind_tr)) {
        !           100:       start('tr');
        !           101:       $ind_tr = last_index_of(\@stack, 'tr');
        !           102:     }
        !           103:     if ($ind_td != -1 && $ind_tr < $ind_td) {
        !           104:       end('td');
        !           105:     } elsif ($ind_th != -1 && $ind_tr < $ind_th) {
        !           106:       end('th');
        !           107:     }
        !           108:   } elsif ($tagname eq 'dd' || $tagname eq 'dt') {
        !           109:     my $ind_dd = last_index_of(\@stack, 'dd');
        !           110:     my $ind_dt = last_index_of(\@stack, 'dt');
        !           111:     my $ind_dl = last_index_of(\@stack, 'dl');
        !           112:     if ($ind_dl == -1) {
        !           113:       start('dl');
        !           114:       $ind_dl = last_index_of(\@stack, 'dl');
        !           115:     }
        !           116:     if ($ind_dd != -1 && ($ind_dl == -1 || $ind_dl < $ind_dd)) {
        !           117:       end('dd');
        !           118:     } elsif ($ind_dt != -1 && ($ind_dl == -1 || $ind_dl < $ind_dt)) {
        !           119:       end('dt');
        !           120:     }
        !           121:   } elsif ($tagname eq 'option') {
        !           122:     my $ind_option = last_index_of(\@stack, 'option');
        !           123:     if ($ind_option != -1) {
        !           124:       end('option');
        !           125:     }
        !           126:   } elsif ($tagname eq 'area') {
        !           127:     my $ind_area = last_index_of(\@stack, 'area');
        !           128:     if ($ind_area != -1) {
        !           129:       end('area');
        !           130:     }
        !           131:   } elsif ($tagname eq 'a') {
        !           132:     my $ind_a = last_index_of(\@stack, 'a');
        !           133:     if ($ind_a != -1) {
        !           134:       end('a');
        !           135:     }
        !           136:   } elsif ($tagname eq 'num') {
        !           137:     my $ind_num = last_index_of(\@stack, 'num');
        !           138:     if ($ind_num != -1) {
        !           139:       end('num');
        !           140:     }
        !           141:   }
        !           142: 
        !           143: # HTML interpretation of non-closing elements and style is too complex (and error-prone, anyway).
        !           144: # Since LON-CAPA elements are all supposed to be closed, this interpretation is SGML-like instead.
        !           145: # Paragraphs inside paragraphs will be fixed later.
        !           146: 
        !           147: #   my @styles = ();
        !           148: #   if ($tagname eq 'p') {
        !           149: #     for (my $i=scalar(@stack)-1; $i>=0; $i--) {
        !           150: #       if ($stack[$i] eq 'p') {
        !           151: #         # save the styles
        !           152: #         for (my $j=$i+1; $j<scalar(@stack); $j++) {
        !           153: #           if (index_of(['b','i','em','strong','sub','sup'], $stack[$j]) != -1) {
        !           154: #             push(@styles, $stack[$j]);
        !           155: #           }
        !           156: #         }
        !           157: #         # close the p
        !           158: #         end('p');
        !           159: #         last;
        !           160: #       } elsif (index_of(\@block_html, $stack[$i]) != -1) {
        !           161: #         # stop looking
        !           162: #         last;
        !           163: #       }
        !           164: #     }
        !           165: #   }
        !           166:   $result .= '<'.$tagname;
        !           167:   my %seen = ();
        !           168:   foreach my $att_name (@$attrseq) {
        !           169:     my $att_name_modified = $att_name;
        !           170:     $att_name_modified =~ s/[^\-a-zA-Z0-9_:.]//g;
        !           171:     $att_name_modified =~ s/^[\-.0-9]*//;
        !           172:     if ($att_name_modified ne '' && index($att_name_modified, ':') == -1) {
        !           173:       if ($seen{$att_name_modified}) {
        !           174:         print "Warning: Ignoring duplicate attribute: $att_name\n";
        !           175:         next;
        !           176:       }
        !           177:       $seen{$att_name_modified}++;
        !           178:       my $att_value = $attr->{$att_name};
        !           179:       $att_value =~ s/^[“”]|[“”]$//g;
        !           180:       $att_value =~ s/&/&amp;/g;
        !           181:       $att_value =~ s/</&lt;/g;
        !           182:       $att_value =~ s/>/&gt;/g;
        !           183:       $att_value =~ s/"/&quot;/g;
        !           184:       if ($tagname eq 'embed' && $att_name_modified eq 'script') {
        !           185:         # newlines are encoded to preserve Protein Explorer scripts in embed script attributes:
        !           186:         $att_value =~ s/\x0A/&#xA;/g;
        !           187:         $att_value =~ s/\x0D/&#xD;/g;
        !           188:       }
        !           189:       if ($att_name_modified eq 'xmlns' && ($att_value eq 'http://www.w3.org/1999/xhtml' ||
        !           190:           $att_value eq 'http://www.w3.org/TR/REC-html40')) {
        !           191:         next;
        !           192:       }
        !           193:       $result .= ' '.$att_name_modified.'="'.$att_value.'"';
        !           194:     }
        !           195:   }
        !           196:   if (index_of(\@empty, $tagname) != -1) {
        !           197:     $result .= '/>';
        !           198:   } else {
        !           199:     $result .= '>';
        !           200:     push(@stack, $tagname);
        !           201:     if (scalar(@stack) > 500) {
        !           202:       die "This document has a crazy depth - I'm out !";
        !           203:     }
        !           204:   }
        !           205:   # reopen the styles, if any
        !           206:   #for (my $j=0; $j<scalar(@styles); $j++) {
        !           207:   #  start($styles[$j], {}, ());
        !           208:   #}
        !           209: }
        !           210: 
        !           211: sub end {
        !           212:   my($tagname) = @_;
        !           213:   
        !           214:   if ($tagname eq 'o:p') {
        !           215:     return;
        !           216:   }
        !           217:   
        !           218:   $tagname = fix_tag($tagname);
        !           219:   if (index_of(\@empty, $tagname) != -1) {
        !           220:     return;
        !           221:   }
        !           222:   if ($tagname eq 'td' && scalar(@stack) > 0 && $stack[scalar(@stack)-1] eq 'th') {
        !           223:     # handle <th>text</td> as if it was <th>text</th>
        !           224:     $tagname = 'th';
        !           225:   } elsif ($tagname eq 'th' && scalar(@stack) > 0 && $stack[scalar(@stack)-1] eq 'td') {
        !           226:     # handle <td>text</th> as if it was <td>text</td>
        !           227:     $tagname = 'td';
        !           228:   }
        !           229:   my $found = 0;
        !           230:   for (my $i=scalar(@stack)-1; $i>=0; $i--) {
        !           231:     if ($stack[$i] eq $tagname) {
        !           232:       for (my $j=scalar(@stack)-1; $j>$i; $j--) {
        !           233:         if ($close_warning ne '') {
        !           234:           $close_warning .= ', ';
        !           235:         }
        !           236:         $close_warning .= $stack[$j];
        !           237:         $result .= '</'.$stack[$j].'>';
        !           238:       }
        !           239:       splice(@stack, $i, scalar(@stack)-$i);
        !           240:       $found = 1;
        !           241:       last;
        !           242:     } elsif (index_of(\@stack, 'web') != -1) {
        !           243:       die "There is a web element with missing end tags inside - it has to be fixed by hand";
        !           244:     }
        !           245:   }
        !           246:   if ($found) {
        !           247:     $result .= '</'.$tagname.'>';
        !           248:   } elsif ($tagname eq 'p') {
        !           249:     $result .= '<p/>';
        !           250:   }
        !           251: }
        !           252: 
        !           253: sub text {
        !           254:   my($dtext) = @_;
        !           255:   $dtext =~ s/&/&amp;/g;
        !           256:   $dtext =~ s/</&lt;/g;
        !           257:   $dtext =~ s/>/&gt;/g;
        !           258:   $dtext =~ s/"/&quot;/g;
        !           259:   $result .= $dtext;
        !           260: }
        !           261: 
        !           262: sub comment {
        !           263:   my($tokens) = @_;
        !           264:   # NOTE: the HTML parser thinks this is a comment: </ br>
        !           265:   # and LON-CAPA has sometimes turned that into <![CDATA[</ br>]]>
        !           266:   foreach my $comment (@$tokens) {
        !           267:     $comment =~ s/--/- /g;
        !           268:     $comment =~ s/^-|-$/ /g;
        !           269:     $result .= '<!--'.$comment.'-->';
        !           270:   }
        !           271: }
        !           272: 
        !           273: sub declaration {
        !           274:   my($tokens) = @_;
        !           275:   # ignore them
        !           276:   #$result .= '<!';
        !           277:   #$result .= join(' ', @$tokens);
        !           278:   #$result .= '>';
        !           279: }
        !           280: 
        !           281: sub process {
        !           282:   my($token0) = @_;
        !           283:   if ($token0 ne '') {
        !           284:     $result .= '<?'.$token0.'>';
        !           285:   }
        !           286: }
        !           287: 
        !           288: sub index_of {
        !           289:   my ($array, $value) = @_;
        !           290:   for (my $i=0; $i<scalar(@{$array}); $i++) {
        !           291:     if ($array->[$i] eq $value) {
        !           292:       return $i;
        !           293:     }
        !           294:   }
        !           295:   return -1;
        !           296: }
        !           297: 
        !           298: sub last_index_of {
        !           299:   my ($array, $value) = @_;
        !           300:   for (my $i=scalar(@{$array})-1; $i>=0; $i--) {
        !           301:     if ($array->[$i] eq $value) {
        !           302:       return $i;
        !           303:     }
        !           304:   }
        !           305:   return -1;
        !           306: }
        !           307: 
        !           308: sub fix_tag {
        !           309:   my ($tag) = @_;
        !           310:   #$tag = lc($tag); this is done by default by the parser
        !           311:   if ($tag !~ /^[a-zA-Z_][a-zA-Z0-9_\-\.]*$/) {
        !           312:     print "Warning: bad start tag:'".$tag."'";
        !           313:     if ($tag =~ /<[a-zA-Z]/) {
        !           314:       $tag =~ s/^[^<]*<//; # a<b -> b
        !           315:     }
        !           316:     if ($tag =~ /[a-zA-Z]=/) {
        !           317:       $tag =~ s/=.*$//; # a=b -> a
        !           318:     }
        !           319:     if ($tag =~ /[a-zA-Z]\//) {
        !           320:       $tag =~ s/\/.*$//; # a/b -> a
        !           321:     }
        !           322:     if ($tag =~ /:/) {
        !           323:       # a:b -> b except when : at the end
        !           324:       if ($tag =~ /^[^:]*:$/) {
        !           325:         $tag =~ s/://;
        !           326:       } else {
        !           327:         $tag =~ s/^.*://;
        !           328:       }
        !           329:     }
        !           330:     $tag =~ s/^[0-9\-\.]+//;
        !           331:     $tag =~ s/[^a-zA-Z0-9_\-\.]//g;
        !           332:     print " (converted to $tag)\n";
        !           333:   }
        !           334:   return($tag);
        !           335: }
        !           336: 
        !           337: 
        !           338: ##
        !           339: # Tests if a string is in an array (using eq) (to avoid Smartmatch warnings with $value ~~ @array)
        !           340: # @param {Array<string>} array - reference to the array of strings
        !           341: # @param {string} value - the string to look for
        !           342: # @returns 1 if found, 0 otherwise
        !           343: ##
        !           344: sub string_in_array {
        !           345:   my ($array, $value) = @_;
        !           346:   foreach my $v (@{$array}) {
        !           347:     if ($v eq $value) {
        !           348:       return 1;
        !           349:     }
        !           350:   }
        !           351:   return 0;
        !           352: }
        !           353: 
        !           354: 
        !           355: 1;
        !           356: __END__

FreeBSD-CVSweb <freebsd-cvsweb@FreeBSD.org>