doc/doc-docbook/Tidytxt

   1 #! /usr/bin/perl
   2
   3 use strict;
   4 use warnings;
   5 use Getopt::Long;
   6
   7
   8 # For now we can't rely on a perl >= 5.14 on
   9 # the build sites, thus we throw away all unicode
  10 # awarness and do the matching byte by byte
  11 binmode STDIN;
  12 binmode STDOUT;
  13
  14 GetOptions(
  15     'u|utf8!' => \my $want_utf8,        # do not replace unicode characters
  16 ) or die "Usage: $0 [-u|--utf8]\n";
  17
  18 # Script to tidy up the output of w3m when it makes a text file. First we
  19 # convert sequences of blank lines into a single blank line, to get everything
  20 # uniform. Then we go through and insert blank lines before chapter and
  21 # sections, also converting chapter titles to uppercase.
  22
  23 # We also have to do some character translation in the first pass. It seems
  24 # that xmlto now generates Unicode in its HTML pages. This gives three problems:
  25 # (1) It inserts the byte sequence C2 A0 (U+00A0) as a fixed-width space;
  26 # (2) It uses U+25CF as its bullet character.
  27 # (3) It inserts a whole slew of "box drawing" characters round the heading.
  28
  29 my @lines = <>;
  30 my $lastwasblank = 0;
  31
  32 foreach my $line (@lines)
  33   {
  34   # (1) non-break space -> normal space
  35   $line =~ s/\x{c2}\x{a0}/ /g;
  36
  37   unless ($want_utf8)
  38     {
  39     # (2) bullet -> asterisk
  40     $line =~ s/\x{e2}\x{97}\x{8f}/*/g;
  41     $line =~ s/\x{e2}\x{80}\x{a2}/*/g; # OpenSUSE
  42     $line =~ s/\x{e2}\x{96}\x{a1}/*/g; # OpenSUSE
  43     # (3a) horizontal box drawing -> hyphen
  44     $line =~ s/\x{e2}\x{94}[\x{80}\x{81}\x{84}\x{85}\x{88}\x{89}]/-/g;
  45     $line =~ s/\x{e2}\x{95}[\x{8c}\x{8d}\x{90}]/-/g;
  46     $line =~ s/\x{e2}\x{95}[\x{b4}\x{b6}\x{b8}\x{ba}\x{bc}\x{be}]/-/g;
  47     # (3b) vertical box drawing -> bar
  48     $line =~ s/\x{e2}\x{94}[\x{82}\x{83}\x{86}\x{87}\x{8a}\x{8b}]/|/g;
  49     $line =~ s/\x{e2}\x{95}[\x{8e}\x{8f}\x{91}]/|/g;
  50     $line =~ s/\x{e2}\x{95}[\x{b5}\x{b7}\x{b9}\x{bb}\x{bd}\x{bf}]/|/g;
  51     # (3c) corner box drawing -> plus
  52     $line =~ s/\x{e2}\x{94}[\x{8c}-\x{bf}]/+/g;
  53     $line =~ s/\x{e2}\x{95}[\x{80}-\x{8b}\x{92}-\x{b0}]/+/g;
  54     # other
  55     $line =~ s/\x{e2}\x{95}\x{b1}/\//g;
  56     $line =~ s/\x{e2}\x{95}\x{b2}/\\/g;
  57     $line =~ s/\x{e2}\x{95}\x{b3}/X/g;
  58     }
  59
  60   # w3m rendering issue apparently only seen by pdp
  61   # affects section numbers after the ToC, some info on spool-file -lines, etc
  62   # always appears to be a spurious extra character, safely just dropped.
  63   $line =~ s/\x{c2}//g;
  64
  65   if ($line =~ /^\s*$/)
  66     {
  67     $line = "" if $lastwasblank;
  68     $lastwasblank = 1;
  69     next;
  70     }
  71   $lastwasblank = 0;
  72   }
  73
  74 # Find start of TOC, uppercasing its title
  75
  76 my $i = 0;
  77 for ($i = 0; $i < scalar @lines; $i++)
  78   {
  79   $lines[$i] = "TABLE OF CONTENTS\n" if $lines[$i] =~ /^Table of Contents/;
  80   last if $lines[$i] =~ /^1\. /;
  81   }
  82
  83 # Find start of first chapter
  84
  85 for ($i++; $i < scalar @lines; $i++)
  86   { last if $lines[$i] =~ /^1\. /; }
  87
  88 # Process the body. We can detect the starts of chapters and sections by
  89 # looking for preceding and following blank lines, and then matching against
  90 # the numbers.
  91
  92 my $chapter = 0;
  93 my $section;
  94 for (; $i < scalar @lines; $i++)
  95   {
  96   next if $lines[$i-1] !~ /^$/ || $lines[$i+1] !~ /^$/;
  97
  98   # Start of chapter
  99
 100   if ($lines[$i] =~ /^(\d+)\. / && $1 == $chapter + 1)
 101     {
 102     $chapter++;
 103     $section = 0;
 104     $lines[$i] = "\n\n" . ("=" x 79) . "\n" . uc($lines[$i]);
 105     }
 106
 107   # Start of next section
 108
 109   elsif ($lines[$i] =~ /^(\d+)\.(\d+) / && $1 == $chapter && $2 == $section + 1)
 110     {
 111     $section++;
 112     $lines[$i] = "\n$lines[$i]" . "-" x (length($lines[$i]) - 1) . "\n";
 113     }
 114   }
 115
 116 print @lines;
 117
 118 # End