search

aozorahack / aozora2html

Creative Commons Zero v1.0 Universal
14 stars 2 forks source link

LaTeX出力 #46

Open gemmaro opened 2 years ago

gemmaro commented 2 years ago

現在XHTML出力が可能ですが、こちらに加えてLaTeXへの出力ができると、印刷して読む用途に便利だと思います。 （このプログラムの名前が aozora2html のため、やや範囲を外れているきらいはあるかもしれません。）

出力されるLaTeX文書ファイルやコマンドラインオプションなどについての、大まかな仕様案は次の通りです：

なお、初期値で --output-format xhtml が使用されるため、従来のコマンドの動作は変化しません。

予想される作業工程は次の通りです：

  1. sample/chukiichiran_kinyurei.{txt,html} を参考に sample/chukiichiran_kinyurei.tex を編集して作成
  2. sample/chukiichiran_kinyurei.txt を --output-format latex 指定で変換した結果が sample/chukiichiran_kinyurei.tex と等しくなるようなテストを追加 ...a
  3. 各種ユニットテストを追加 ...b
  4. a, b のテストが通るように実装を行う
takahashim commented 2 years ago

LaTeX出力はいぜん雑なもの（真面目に構文解析しないもの）を作ったことがあるのですが、ちゃんとやるのであれば構文解析器からいったんAST（抽象構文木）を構築するようにして、それを元にHTMLやLaTeXを生成するしくみにするべきかと思っています。 その場合、現在のaozora2htmlはASTを作らずに直接出力する方法なので、そこから改造するか、別実装にするかになります。

課題としてはASTの作り方を考える必要があります。とりわけ青空文庫記法はルビの｜を省略した場合のルビ記法の扱いがちょっと難しそうでした。

gemmaro commented 2 years ago

おっしゃる通り、もし複数のフォーマットへの変換を用意するのであれば、一度ASTに変換されているとよいと思います。

その場合、現在のaozora2htmlはASTを作らずに直接出力する方法なので、そこから改造するか、別実装にするかになります。

まだaozora2htmlの実装を読み込めていないこともあって、どちらの方法を採るべきかについては考え中です。前者としてaozora2htmlを変更すると実装の見通しが良くなりそうですが、一方で全体のDOMを構築しない方式（現状？）にもメリットはありそうです。

なお、後者としては以下の条件を満たすRustで別実装を作ろうとしていました。（最近は着手できていませんが……。）

takahashim commented 2 years ago

おおおー、それは素晴らしいですね！！＞Rustで別実装 であればきっとASTを作ったほうがいいかと思います。

Shift_JISの読み込みが行えるのは要件としてほぼ必須かと思いますが、Rustなら普通にencoding_rsとかの変換器を使って内部ではUTF-8で扱うのでいいかと思います（aozora2htmlでもそうしたいですね…）。

なお、構文解析器としてはPEG.jsによる試験的なサンプルが https://github.com/aozorahack/aozora-parser.js/blob/master/aozora-parser.pegjs にあります（もうご存知かもしれませんが）。いろいろ足りてなさそうですが、参考にはなるかと思います。