Я работаю над проектом по локализации веб-публикации, где я начинаю с созданного веб-сайта, написанного на английском языке, который публикуется CMS. Файл содержит заголовки, которые идентифицируют страницы, подзаголовки, которые идентифицируют разделы каждой страницы, и пары строк, которые иллюстрируют оригинальную фразу на английском сайте и переведенную фразу на другом языке.
Каждый файл перевода содержит только один язык. Так что для испанского перевода выдержка из репрезентативного файла выглядит так:
## 3602 Example Page
### Title
'Example Page' => 'Página de ejemplo',
### Body
'This is an example of a string that came from an example page.' => 'Este es un ejemplo de una cadena que proviene de una página de ejemplo.',
'Parsing this would be relatively simple, except that
occasionally,
there are carriage returns thrown into the text without warning.' => 'Parsear esto sería relativamente simple, excepto que
ocasionalmente,
hay retornos de carro lanzados en el texto sin previo aviso.',
### Extended
## 3704 About Us
### Title
'About Us' => 'Sobre nosotros',
### Body
'This text takes the place of text which would identify the client.' => 'Este texto toma el lugar del texto que identificaría al cliente.',
q{I passed the English text though Google Translate. Don't think for a moment that these passages are professionally translated!} => q{Pasé el texto en inglés a través de Google Translate. ¡No piense por un momento que estos pasajes son traducidos profesionalmente!},
### Extended
Я пытаюсь написать Perl-скрипт, который анализирует этот файл, находит страницу в CMS, затем заменяет исходную английскую строку переведенной строкой и сохраняет страницу в CMS для последующей публикации.
Используемая мной CMS имеет Perl API, поэтому весь сценарий написан на Perl.
Мой подход до сих пор состоял в том, чтобы читать файл по очереди за раз и использовать регулярные выражения для определения важного содержимого файла с помощью регулярных выражений.
Критическая часть этого кода показана ниже:
while (defined($current_line = <FILE>))
{
chomp $current_line;
$total_lines++;
##########
#
# We need to parse the file, line-by-line, to determine what each line represents.
#
# If the $current_phrase is populated at the beginning of the case statement,
# we know that the
#
# When we start parsing, $current_page_id is zero (0). If we hit a page selector and
# the page ID is something other than zero, we need to save the previous page.
#
##########
if (length($current_phrase) > 0) {
if ($current_line =~ /(.*\')\s=>\'(.*)/) {
$current_phrase .= '\n' . $1;
}
}
elsif ($current_line =~ qr/##\s(\d+)\s.+/mp) {
##########
#
# $1 is the page ID number.
#
##########
if ($current_page_id != int($1)) {
print "\nPage $1 selector\n";
$current_page_id = int($1);
$current_page_change_count = 0;
$current_page_section_name = '';
$current_page_section_content = '';
$current_phrase = '';
}
} elsif ($current_line =~ qr/###\s(.+)/mp) {
##########
#
# $1 is the name of the page section.
#
# We have to figure out if the page section is the same as the one that we
# have been processing.
#
##########
print "\nPage Section Delimiter: " . $1 . "\n";
if ($1 ne $current_page_section_name) {
##########
#
# Since $1 is not $current_page_section_name, we need to put
# $current_page_section_content into the page section where it belongs.
#
# $current_page_section_name refers to the section of the page with changes.
#
##########
$current_page_section_name = $1;
}
} elsif (($current_line =~ qr/'((?:(?>[^'\\]*)|\\.)*)' => '((?:(?>[^'\\]*)|\\.)*)',/mp) || ($current_line =~ qr/q\{((?:(?>[^}\\]*)|\\.*))} => q\{((?:(?>[^}\\]*)|\\.*))},/mp)){
##########
#
# The complex regular expression above is intended to capture multi-line
# variants of either the 'phrase' or q{phrase} pattern.
#
# See https://stackoverflow.com/questions/23086883/perl-multiline-string-regex
# for some idea how the single quote pattern was found. We had to work up the
# q{phrase} pattern ourselves.
#
#
##########
$current_page_change_count++;
$total_change_count++;
print "Phrase " . $current_page_change_count . ", original: " . $1 . ", change to: " . $2 . "\n\n";
} elsif (($current_line =~ qr/^\s+?\'(.+)[^\'],?\s?/mp) || ($current_line =~ qr/^\s+?q\{(.+)[^}],?\s?/mp)) {
##########
#
# The biggest unresolved issue with the while loop is how
# to identify the unterminated strings that begin with
# a single quote or the q{ construct.
#
# The regular expression above is an attempt to match both cases.
#
# Eventually, I will have to search for the end of the
# string, the => construct, and the translated phrase.
#
##########
print "Unterminated string: " . $current_line . "\n";
} elsif (($current_line =~ qr/^\s+/mp) || (length($current_line) == 0)) {
print "Blank line.\n";
$total_blank_lines++;
} else {
#
# Want to ignore, not print this.
print "Something else: \'" . $current_line . "\'\n";
#
$total_blank_lines++;
}
}
print "\nTotal lines: " . $total_lines . "\n";
print "\nTotal blank lines: " . $total_blank_lines . "\n";
print "Total change count: " . $total_change_count . "\n";
Как я уже сказал в комментариях к коду, самая большая проблема, с которой я сталкиваюсь, - это создание регулярного выражения, которое идентифицирует неопределенные строки, которые я называю фразами из английской версии веб-сайта, которые начинаются с одинарной кавычки или q{ конструкции и, в некоторой точке строки текста, иметь терминатор возврата каретки.
Текущее регулярное выражение само по себе недостаточно избирательно, но это может быть нормально, потому что предыдущие регулярные выражения правильно выбирают другие части файла.
Где я ищу помощи:
- Обеспечение достаточной избирательности этого регулярного выражения.
- Выяснить, как накапливать весь текст, который должен быть частью
$current_phrase, поэтому фраза занимает несколько строк.
- Обдумывая путь вперед, чтобы я мог разработать другие регулярные выражения для идентификации других фрагментов пары многострочного перевода, которые были бы необходимы для обработки файла такого типа.
Как мне решить эту проблему?