Initial recoll modifs for utf8
This commit is contained in:
dockes
parent
370032740c
commit
5e406f4d92
@ -22,7 +22,11 @@
|
||||
* -----END-LICENCE-----
|
||||
*/
|
||||
|
||||
#include <config.h>
|
||||
#ifndef lint
|
||||
static char rcsid[] = "@(#$Id: htmlparse.cpp,v 1.2 2005-01-28 08:50:17 dockes Exp $ ";
|
||||
#endif
|
||||
|
||||
//#include <config.h>
|
||||
|
||||
#include <algorithm>
|
||||
using std::find;
|
||||
@ -31,7 +35,9 @@ using std::find_if;
|
||||
#include <stdio.h>
|
||||
#include <ctype.h>
|
||||
|
||||
map<string, unsigned int> HtmlParser::named_ents;
|
||||
#include "transcode.h"
|
||||
|
||||
map<string, string> HtmlParser::named_ents;
|
||||
|
||||
inline static bool
|
||||
p_alpha(char c)
|
||||
@ -81,118 +87,116 @@ p_whitespaceeqgt(char c)
|
||||
return isspace(c) || c == '=' || c == '>';
|
||||
}
|
||||
|
||||
/*
|
||||
* The following array was taken from Estraier. Estraier was
|
||||
* written by Mikio Hirabayashi.
|
||||
* Copyright (C) 2003-2004 Mikio Hirabayashi
|
||||
* The version where this comes from
|
||||
* is covered by the GNU licence, as this file.*/
|
||||
static const char *epairs[] = {
|
||||
/* basic symbols */
|
||||
"amp", "", "lt", "<", "gt", ">", "quot", "\"", "apos", "'",
|
||||
/* ISO-8859-1 */
|
||||
"nbsp", "\xc2\xa0", "iexcl", "\xc2\xa1", "cent", "\xc2\xa2",
|
||||
"pound", "\xc2\xa3", "curren", "\xc2\xa4", "yen", "\xc2\xa5",
|
||||
"brvbar", "\xc2\xa6", "sect", "\xc2\xa7", "uml", "\xc2\xa8",
|
||||
"copy", "\xc2\xa9", "ordf", "\xc2\xaa", "laquo", "\xc2\xab",
|
||||
"not", "\xc2\xac", "shy", "\xc2\xad", "reg", "\xc2\xae",
|
||||
"macr", "\xc2\xaf", "deg", "\xc2\xb0", "plusmn", "\xc2\xb1",
|
||||
"sup2", "\xc2\xb2", "sup3", "\xc2\xb3", "acute", "\xc2\xb4",
|
||||
"micro", "\xc2\xb5", "para", "\xc2\xb6", "middot", "\xc2\xb7",
|
||||
"cedil", "\xc2\xb8", "sup1", "\xc2\xb9", "ordm", "\xc2\xba",
|
||||
"raquo", "\xc2\xbb", "frac14", "\xc2\xbc", "frac12", "\xc2\xbd",
|
||||
"frac34", "\xc2\xbe", "iquest", "\xc2\xbf", "Agrave", "\xc3\x80",
|
||||
"Aacute", "\xc3\x81", "Acirc", "\xc3\x82", "Atilde", "\xc3\x83",
|
||||
"Auml", "\xc3\x84", "Aring", "\xc3\x85", "AElig", "\xc3\x86",
|
||||
"Ccedil", "\xc3\x87", "Egrave", "\xc3\x88", "Eacute", "\xc3\x89",
|
||||
"Ecirc", "\xc3\x8a", "Euml", "\xc3\x8b", "Igrave", "\xc3\x8c",
|
||||
"Iacute", "\xc3\x8d", "Icirc", "\xc3\x8e", "Iuml", "\xc3\x8f",
|
||||
"ETH", "\xc3\x90", "Ntilde", "\xc3\x91", "Ograve", "\xc3\x92",
|
||||
"Oacute", "\xc3\x93", "Ocirc", "\xc3\x94", "Otilde", "\xc3\x95",
|
||||
"Ouml", "\xc3\x96", "times", "\xc3\x97", "Oslash", "\xc3\x98",
|
||||
"Ugrave", "\xc3\x99", "Uacute", "\xc3\x9a", "Ucirc", "\xc3\x9b",
|
||||
"Uuml", "\xc3\x9c", "Yacute", "\xc3\x9d", "THORN", "\xc3\x9e",
|
||||
"szlig", "\xc3\x9f", "agrave", "\xc3\xa0", "aacute", "\xc3\xa1",
|
||||
"acirc", "\xc3\xa2", "atilde", "\xc3\xa3", "auml", "\xc3\xa4",
|
||||
"aring", "\xc3\xa5", "aelig", "\xc3\xa6", "ccedil", "\xc3\xa7",
|
||||
"egrave", "\xc3\xa8", "eacute", "\xc3\xa9", "ecirc", "\xc3\xaa",
|
||||
"euml", "\xc3\xab", "igrave", "\xc3\xac", "iacute", "\xc3\xad",
|
||||
"icirc", "\xc3\xae", "iuml", "\xc3\xaf", "eth", "\xc3\xb0",
|
||||
"ntilde", "\xc3\xb1", "ograve", "\xc3\xb2", "oacute", "\xc3\xb3",
|
||||
"ocirc", "\xc3\xb4", "otilde", "\xc3\xb5", "ouml", "\xc3\xb6",
|
||||
"divide", "\xc3\xb7", "oslash", "\xc3\xb8", "ugrave", "\xc3\xb9",
|
||||
"uacute", "\xc3\xba", "ucirc", "\xc3\xbb", "uuml", "\xc3\xbc",
|
||||
"yacute", "\xc3\xbd", "thorn", "\xc3\xbe", "yuml", "\xc3\xbf",
|
||||
/* ISO-10646 */
|
||||
"fnof", "\xc6\x92", "Alpha", "\xce\x91", "Beta", "\xce\x92",
|
||||
"Gamma", "\xce\x93", "Delta", "\xce\x94", "Epsilon", "\xce\x95",
|
||||
"Zeta", "\xce\x96", "Eta", "\xce\x97", "Theta", "\xce\x98",
|
||||
"Iota", "\xce\x99", "Kappa", "\xce\x9a", "Lambda", "\xce\x9b",
|
||||
"Mu", "\xce\x9c", "Nu", "\xce\x9d", "Xi", "\xce\x9e",
|
||||
"Omicron", "\xce\x9f", "Pi", "\xce\xa0", "Rho", "\xce\xa1",
|
||||
"Sigma", "\xce\xa3", "Tau", "\xce\xa4", "Upsilon", "\xce\xa5",
|
||||
"Phi", "\xce\xa6", "Chi", "\xce\xa7", "Psi", "\xce\xa8",
|
||||
"Omega", "\xce\xa9", "alpha", "\xce\xb1", "beta", "\xce\xb2",
|
||||
"gamma", "\xce\xb3", "delta", "\xce\xb4", "epsilon", "\xce\xb5",
|
||||
"zeta", "\xce\xb6", "eta", "\xce\xb7", "theta", "\xce\xb8",
|
||||
"iota", "\xce\xb9", "kappa", "\xce\xba", "lambda", "\xce\xbb",
|
||||
"mu", "\xce\xbc", "nu", "\xce\xbd", "xi", "\xce\xbe",
|
||||
"omicron", "\xce\xbf", "pi", "\xcf\x80", "rho", "\xcf\x81",
|
||||
"sigmaf", "\xcf\x82", "sigma", "\xcf\x83", "tau", "\xcf\x84",
|
||||
"upsilon", "\xcf\x85", "phi", "\xcf\x86", "chi", "\xcf\x87",
|
||||
"psi", "\xcf\x88", "omega", "\xcf\x89", "thetasym", "\xcf\x91",
|
||||
"upsih", "\xcf\x92", "piv", "\xcf\x96", "bull", "\xe2\x80\xa2",
|
||||
"hellip", "\xe2\x80\xa6", "prime", "\xe2\x80\xb2", "Prime", "\xe2\x80\xb3",
|
||||
"oline", "\xe2\x80\xbe", "frasl", "\xe2\x81\x84", "weierp", "\xe2\x84\x98",
|
||||
"image", "\xe2\x84\x91", "real", "\xe2\x84\x9c", "trade", "\xe2\x84\xa2",
|
||||
"alefsym", "\xe2\x84\xb5", "larr", "\xe2\x86\x90", "uarr", "\xe2\x86\x91",
|
||||
"rarr", "\xe2\x86\x92", "darr", "\xe2\x86\x93", "harr", "\xe2\x86\x94",
|
||||
"crarr", "\xe2\x86\xb5", "lArr", "\xe2\x87\x90", "uArr", "\xe2\x87\x91",
|
||||
"rArr", "\xe2\x87\x92", "dArr", "\xe2\x87\x93", "hArr", "\xe2\x87\x94",
|
||||
"forall", "\xe2\x88\x80", "part", "\xe2\x88\x82", "exist", "\xe2\x88\x83",
|
||||
"empty", "\xe2\x88\x85", "nabla", "\xe2\x88\x87", "isin", "\xe2\x88\x88",
|
||||
"notin", "\xe2\x88\x89", "ni", "\xe2\x88\x8b", "prod", "\xe2\x88\x8f",
|
||||
"sum", "\xe2\x88\x91", "minus", "\xe2\x88\x92", "lowast", "\xe2\x88\x97",
|
||||
"radic", "\xe2\x88\x9a", "prop", "\xe2\x88\x9d", "infin", "\xe2\x88\x9e",
|
||||
"ang", "\xe2\x88\xa0", "and", "\xe2\x88\xa7", "or", "\xe2\x88\xa8",
|
||||
"cap", "\xe2\x88\xa9", "cup", "\xe2\x88\xaa", "int", "\xe2\x88\xab",
|
||||
"there4", "\xe2\x88\xb4", "sim", "\xe2\x88\xbc", "cong", "\xe2\x89\x85",
|
||||
"asymp", "\xe2\x89\x88", "ne", "\xe2\x89\xa0", "equiv", "\xe2\x89\xa1",
|
||||
"le", "\xe2\x89\xa4", "ge", "\xe2\x89\xa5", "sub", "\xe2\x8a\x82",
|
||||
"sup", "\xe2\x8a\x83", "nsub", "\xe2\x8a\x84", "sube", "\xe2\x8a\x86",
|
||||
"supe", "\xe2\x8a\x87", "oplus", "\xe2\x8a\x95", "otimes", "\xe2\x8a\x97",
|
||||
"perp", "\xe2\x8a\xa5", "sdot", "\xe2\x8b\x85", "lceil", "\xe2\x8c\x88",
|
||||
"rceil", "\xe2\x8c\x89", "lfloor", "\xe2\x8c\x8a", "rfloor", "\xe2\x8c\x8b",
|
||||
"lang", "\xe2\x8c\xa9", "rang", "\xe2\x8c\xaa", "loz", "\xe2\x97\x8a",
|
||||
"spades", "\xe2\x99\xa0", "clubs", "\xe2\x99\xa3", "hearts", "\xe2\x99\xa5",
|
||||
"diams", "\xe2\x99\xa6", "OElig", "\xc5\x92", "oelig", "\xc5\x93",
|
||||
"Scaron", "\xc5\xa0", "scaron", "\xc5\xa1", "Yuml", "\xc5\xb8",
|
||||
"circ", "\xcb\x86", "tilde", "\xcb\x9c", "ensp", "\xe2\x80\x82",
|
||||
"emsp", "\xe2\x80\x83", "thinsp", "\xe2\x80\x89", "zwnj", "\xe2\x80\x8c",
|
||||
"zwj", "\xe2\x80\x8d", "lrm", "\xe2\x80\x8e", "rlm", "\xe2\x80\x8f",
|
||||
"ndash", "\xe2\x80\x93", "mdash", "\xe2\x80\x94", "lsquo", "\xe2\x80\x98",
|
||||
"rsquo", "\xe2\x80\x99", "sbquo", "\xe2\x80\x9a", "ldquo", "\xe2\x80\x9c",
|
||||
"rdquo", "\xe2\x80\x9d", "bdquo", "\xe2\x80\x9e", "dagger", "\xe2\x80\xa0",
|
||||
"Dagger", "\xe2\x80\xa1", "permil", "\xe2\x80\xb0", "lsaquo", "\xe2\x80\xb9",
|
||||
"rsaquo", "\xe2\x80\xba", "euro", "\xe2\x82\xac",
|
||||
NULL, NULL
|
||||
};
|
||||
|
||||
HtmlParser::HtmlParser()
|
||||
{
|
||||
static struct ent { const char *n; unsigned int v; } ents[] = {
|
||||
{ "quot", 34 },
|
||||
{ "amp", 38 },
|
||||
{ "lt", 60 },
|
||||
{ "gt", 62 },
|
||||
{ "AElig", 198 },
|
||||
{ "Aacute", 193 },
|
||||
{ "Acirc", 194 },
|
||||
{ "Agrave", 192 },
|
||||
{ "Aring", 197 },
|
||||
{ "Atilde", 195 },
|
||||
{ "Auml", 196 },
|
||||
{ "Ccedil", 199 },
|
||||
{ "ETH", 208 },
|
||||
{ "Eacute", 201 },
|
||||
{ "Ecirc", 202 },
|
||||
{ "Egrave", 200 },
|
||||
{ "Euml", 203 },
|
||||
{ "Iacute", 205 },
|
||||
{ "Icirc", 206 },
|
||||
{ "Igrave", 204 },
|
||||
{ "Iuml", 207 },
|
||||
{ "Ntilde", 209 },
|
||||
{ "Oacute", 211 },
|
||||
{ "Ocirc", 212 },
|
||||
{ "Ograve", 210 },
|
||||
{ "Oslash", 216 },
|
||||
{ "Otilde", 213 },
|
||||
{ "Ouml", 214 },
|
||||
{ "THORN", 222 },
|
||||
{ "Uacute", 218 },
|
||||
{ "Ucirc", 219 },
|
||||
{ "Ugrave", 217 },
|
||||
{ "Uuml", 220 },
|
||||
{ "Yacute", 221 },
|
||||
{ "aacute", 225 },
|
||||
{ "acirc", 226 },
|
||||
{ "acute", 180 },
|
||||
{ "aelig", 230 },
|
||||
{ "agrave", 224 },
|
||||
{ "aring", 229 },
|
||||
{ "atilde", 227 },
|
||||
{ "auml", 228 },
|
||||
{ "brvbar", 166 },
|
||||
{ "ccedil", 231 },
|
||||
{ "cedil", 184 },
|
||||
{ "cent", 162 },
|
||||
{ "copy", 169 },
|
||||
{ "curren", 164 },
|
||||
{ "deg", 176 },
|
||||
{ "divide", 247 },
|
||||
{ "eacute", 233 },
|
||||
{ "ecirc", 234 },
|
||||
{ "egrave", 232 },
|
||||
{ "eth", 240 },
|
||||
{ "euml", 235 },
|
||||
{ "frac12", 189 },
|
||||
{ "frac14", 188 },
|
||||
{ "frac34", 190 },
|
||||
{ "iacute", 237 },
|
||||
{ "icirc", 238 },
|
||||
{ "iexcl", 161 },
|
||||
{ "igrave", 236 },
|
||||
{ "iquest", 191 },
|
||||
{ "iuml", 239 },
|
||||
{ "laquo", 171 },
|
||||
{ "macr", 175 },
|
||||
{ "micro", 181 },
|
||||
{ "middot", 183 },
|
||||
{ "nbsp", 160 },
|
||||
{ "not", 172 },
|
||||
{ "ntilde", 241 },
|
||||
{ "oacute", 243 },
|
||||
{ "ocirc", 244 },
|
||||
{ "ograve", 242 },
|
||||
{ "ordf", 170 },
|
||||
{ "ordm", 186 },
|
||||
{ "oslash", 248 },
|
||||
{ "otilde", 245 },
|
||||
{ "ouml", 246 },
|
||||
{ "para", 182 },
|
||||
{ "plusmn", 177 },
|
||||
{ "pound", 163 },
|
||||
{ "raquo", 187 },
|
||||
{ "reg", 174 },
|
||||
{ "sect", 167 },
|
||||
{ "shy", 173 },
|
||||
{ "sup1", 185 },
|
||||
{ "sup2", 178 },
|
||||
{ "sup3", 179 },
|
||||
{ "szlig", 223 },
|
||||
{ "thorn", 254 },
|
||||
{ "times", 215 },
|
||||
{ "uacute", 250 },
|
||||
{ "ucirc", 251 },
|
||||
{ "ugrave", 249 },
|
||||
{ "uml", 168 },
|
||||
{ "uuml", 252 },
|
||||
{ "yacute", 253 },
|
||||
{ "yen", 165 },
|
||||
{ "yuml", 255 },
|
||||
// iso8859-1 only for now { "OElig", 338 },
|
||||
// ditto { "oelig", 339 },
|
||||
{ NULL, 0 }
|
||||
};
|
||||
if (named_ents.empty()) {
|
||||
struct ent *i = ents;
|
||||
while (i->n) {
|
||||
named_ents[string(i->n)] = i->v;
|
||||
++i;
|
||||
for (int i = 0;;) {
|
||||
const char *ent;
|
||||
const char *val;
|
||||
ent = epairs[i++];
|
||||
if (ent == 0)
|
||||
break;
|
||||
val = epairs[i++];
|
||||
if (val == 0)
|
||||
break;
|
||||
named_ents[string(ent)] = val;
|
||||
}
|
||||
}
|
||||
}
|
||||
@ -200,12 +204,19 @@ HtmlParser::HtmlParser()
|
||||
void
|
||||
HtmlParser::decode_entities(string &s)
|
||||
{
|
||||
// This has no meaning whatsoever if the character encoding is unknown,
|
||||
// so don't do it. If charset known, caller has converted text to utf-8,
|
||||
// and this is also how we translate entities
|
||||
// if (charset != "utf-8")
|
||||
// return;
|
||||
|
||||
// We need a const_iterator version of s.end() - otherwise the
|
||||
// find() and find_if() templates don't work...
|
||||
string::const_iterator amp = s.begin(), s_end = s.end();
|
||||
while ((amp = find(amp, s_end, '&')) != s_end) {
|
||||
unsigned int val = 0;
|
||||
string::const_iterator end, p = amp + 1;
|
||||
string subs;
|
||||
if (p != s_end && *p == '#') {
|
||||
p++;
|
||||
if (p != s_end && tolower(*p) == 'x') {
|
||||
@ -221,18 +232,31 @@ HtmlParser::decode_entities(string &s)
|
||||
} else {
|
||||
end = find_if(p, s_end, p_notalnum);
|
||||
string code = s.substr(p - s.begin(), end - p);
|
||||
map<string, unsigned int>::const_iterator i;
|
||||
map<string, string>::const_iterator i;
|
||||
i = named_ents.find(code);
|
||||
if (i != named_ents.end()) val = i->second;
|
||||
if (i != named_ents.end())
|
||||
subs = i->second;
|
||||
}
|
||||
if (end < s_end && *end == ';') end++;
|
||||
|
||||
if (end < s_end && *end == ';')
|
||||
end++;
|
||||
|
||||
if (val) {
|
||||
// The code is the code position for a unicode char. We need
|
||||
// to translate it to an utf-8 string.
|
||||
string utf16be;
|
||||
utf16be += char(val / 256);
|
||||
utf16be += char(val % 256);
|
||||
transcode(utf16be, subs, "UTF-16BE", "UTF-8");
|
||||
}
|
||||
|
||||
if (subs.length() > 0) {
|
||||
string::size_type amp_pos = amp - s.begin();
|
||||
s.replace(amp_pos, end - amp, 1u, char(val));
|
||||
s.replace(amp_pos, end - amp, subs);
|
||||
s_end = s.end();
|
||||
// We've modified the string, so the iterators are no longer
|
||||
// valid...
|
||||
amp = s.begin() + amp_pos + 1;
|
||||
amp = s.begin() + amp_pos + subs.length();
|
||||
} else {
|
||||
amp = end;
|
||||
}
|
||||
|
||||
@ -30,7 +30,7 @@ using std::map;
|
||||
class HtmlParser {
|
||||
protected:
|
||||
void decode_entities(string &s);
|
||||
static map<string, unsigned int> named_ents;
|
||||
static map<string, string> named_ents;
|
||||
public:
|
||||
virtual void process_text(const string &/*text*/) { }
|
||||
virtual void opening_tag(const string &/*tag*/,
|
||||
|
||||
Loading…
x
Reference in New Issue
Block a user