Question

我正在为项目使用双向文本（混合英语和希伯来语）。文本以HTML格式显示，因此有时需要LTR或RTL标记（&lrm;或&rlm;）才能使标点符号正确显示为“弱字符”。由于技术限制，源文本中不存在这些标记，因此我们需要添加这些标记，以使最终显示的文本显示正确。

例如，以下文字：(example: מדגם) sample以从右到左的模式呈现为sample (מדגם :example)。更正的字符串看起来像&lrm;(example:&lrm; מדגם) sample，并呈现为sample (מדגם (example:。

我们希望动态插入这些标记，而不是重新编写所有文本。首先，这看起来很简单：只需在每个标点符号实例附加一个&lrm;即可。但是，一些需要动态修改的文本包含HTML和CSS。造成这种情况的原因是不幸的，也是不可避免的。

没有解析HTML / CSS，是否有一种已知的算法可以实时插入Unicode方向标记（伪强字符）？

Answer 1

我不知道在没有解析它的情况下安全地将方向标记插入HTML字符串的算法。将HTML解析为DOM并操作文本节点是确保您不会在<script>和<style>标记内的文本中意外添加方向标记的最安全方法。

这是一个简短的Python脚本，可以帮助您自动转换文件。如有必要，逻辑应易于翻译成其他语言。我对您尝试编码的RTL规则不够熟悉，但您可以调整正则表达式'(\W([^\W]+)(\W)'和替换模式ur"\u200e\1\2\3\u200e"以获得预期结果：

import re
import lxml.html

_RE_REPLACE = re.compile('(\W)([^\W]+)(\W)', re.M)

def _replace(text):
    if not text:
        return text
    return _RE_REPLACE.sub(ur'\u200e\1\2\3\u200e', text)

text = u'''
<html><body>
    <div>sample (\u05de\u05d3\u05d2\u05dd :example)</div>
    <script type="text/javascript">var foo = "ignore this";</script>
    <style type="text/css">div { font-size: 18px; }</style>
</body></html>
'''

# convert the text into an html dom
tree = lxml.html.fromstring(text)
body = tree.find('body')
# iterate over all children of <body> tag
for node in body.iterdescendants():
    # transform text with trails after the current html tag
    node.tail = _replace(node.tail)
    # ignore text inside script and style tags
    if node.tag in ('script','style'):
        continue
    # transform text inside the current html tag
    node.text = _replace(node.text)

# render the modified tree back to html
print lxml.html.tostring(tree)

输出：

python convert.py

<html><body>
    <div>sample (&#1502;&#1491;&#1490;&#1501; &#8206;:example)&#8206;</div>
    <script type="text/javascript">var foo = "ignore this";</script>
    <style type="text/css">div { font-size: 18px; }</style>
</body></html>

自动插入LTR标记

1 个答案: