Форматування тексту

[illia]

Я юрист. Часом бавлюся з програмуванням на С. Прочитав Кернігана та Рітчі друге видання.
По роботі досить часто тягну закони та інші нормативно правові акти з http://zakon.rada.gov.ua
Оформлення тексту на сайті просто жахливе. Зараз я дію так:

• 1. Ручками витягую текст з сайту;
• 2. Пропускаю його через написану мною просту програму, що видаляє зайві пробіли та відступи нового рядка.

Хочу спробувати автоматично створювати зміст документу, виділяти статті та розділи. Я так розумію, що для цього потрібно переводити звичайний текст в якийсь формат.
У який формат краще переводити текст законів, щоб було можливо під час читання зручно переглядати їх зміст, змінювати шрифт, керувати виглядом виділених елементів (статей та розділів), здійснювати звичайний пошук у тексті (я так розумію, що це доступно у всіх переглядачах)?
Як це правильно реалізувати у своїй програмі.
Ідеалом є також і створення системи що буде автоматично витягувати текст з сайту, але все з часом.

Про правила, що діють на сайті знаю:http://zakon.rada.gov.ua/cgi-bin/laws/main.cgi?user=rules

[yurchor]

Я, як найкриволапіший програміст цього форуму  , написав би якийсь скрипт на Perl або Python для переробки HTML->HTML з паралельним висмикуванням тексту curl або wget.

Теоретично, все вирішується написанням xslt, але це мистецтво втрачено років п’ять тому (з’ясувалося в процесі нещодавніх розслідувань процесу перетворення документації KDE), до того ж текст верстався ..., тому мови про первинне форматування, фактично, не може бути.

[illia]

до того ж текст верстався ..., тому мови про первинне форматування, фактично, не може бути.

Ключеві слова: Стаття, розділ... (при бажанні можу виділити й список змін що обрамляється зазвичай {}) Написані усюди однаково. При пошуку на сторінці сайту чи в скопійованому тексті в gedit завжди спрацьовують. Тому автоматично створити зміст документу я вважаю, що зможу. Залишається питання, як це діло оформити по зручніше.
Це скоріше забавка ніж, щось серйозне. Тому тільки С.

[Михайло Даниленко]

Це скоріше забавка ніж, щось серйозне. Тому тільки С.

Любить пан витрачати час o_O
Я б рекомендував перл (особливо якщо це не щось серйозне, де потрібна максимальна швидкість) плюс html (або щось, з чого його можна генерувати) + css (для зміни оформлення) - швидко, гнучко, зручно. Наприклад, я, для генерації документації бібліотек використовую скрипт на 200 рядків коду (насправді працює десь 50), що проходиться по сирцях програми, збирає інформацію, і на її основі генерує markdown, з якого потім через ikiwiki генерується html.
P.S. Off-topic:

Так, я знаю, для цього є doxygen, але по-перше, там більше писати, щоб отримати потрібне форматування, по-друге це монстр
$ op install doxygen
...
Необхідно завантажити 0 B/453 MB архівів.
After this operation, 751 MB of additional disk space will be used.
Бажаєте продовжити [Т/н]? n
Перервано.

[Володимир Лісівка]

Напевно найкраще конвертувати у формат FB2.  (FictionBook)

Його можна конвертувати у різні формати Калібром (calibre) або читати різними читалками.

[illia]

При роботі з законами бажано, щоб була наявна можливість переглядати зміст у панелі з права (чи де там кому зручно). FBReader у моїй Ubuntu такої можливості не надає хоча текст там виглядає досить непогано та і можливість використання бібліотеки з зручним пошуком також на користь формату fb2.
FBReader розповсюджується під GPL3. Інформацію про ліцензію на формат fb2 я не знайшов.

[Володимир Лісівка]

Подивіться калібром — там є така можливість.

[illia]

Як зроблю щось цікаве, то відпишусь в темі. Інформацію про ліцензію на формат fb2 я так і не знайшов.

[BM]

Я юрист.
...
По роботі досить часто тягну закони та інші нормативно правові акти з http://zakon.rada.gov.ua
...
У який формат краще переводити текст законів, щоб було можливо під час читання зручно переглядати їх зміст, змінювати шрифт, керувати виглядом виділених елементів (статей та розділів), здійснювати звичайний пошук у тексті (я так розумію, що це доступно у всіх переглядачах)?

Під час читання змінювати шрифт? WTF! Мені не дуже зрозуміло що ви хочете. Поки що ви хочете "конячку поні"...  :-?

Ідеалом є також і створення системи що буде автоматично витягувати текст з сайту, але все з часом.

А ось тут зрозуміло. Отже якщо досьогодні спромоглися незненавидіти ІТ забавками на С, тоді Java допоможе тут як по маслу (приклад використання у пункті №3):
1. sudo zypper ar http://download.opensuse.org/repositories/Java:/base/openSUSE_11.4/ java-base
2. sudo zypper in nekohtml
3. http://nekohtml.sourceforge.net/usage.html

Програмку з одного класу скомпілювати в JAR, всунути десь в крон і буде воно вам витягувати і пхати куди вже там треба.


Hope this helps.

P.S. Хоча... з українським законодавством "cat /dev/random > рішення-суду.txt" повністю вистачить. :-)