Perl | 電書魂

‘Perl’ タグのついている投稿

EpubCheckでID名がエラーになる問題

2016/08/03

　先日、弊社で作ったEPUBファイルが電子取次さんのチェックに引っかかって修正で戻ってきたという件がありました。EpubCheck^※1のエラーとのことなのですが、弊社でのチェッカーのログはエラーになっていない。どうもEpubCheck3.0.1ではエラーとなっていたものがEpubCheck4.0.1でエラーにならなくなり、チェックに引っかからなかったということのようです。ちょっと困った事態なので突っ込んで調べてみました。

XHTMLのID名のエラー

　エラー内容は「value of attribute "id" is invalid; must be an XML name without colons」とのことだったので、まずは該当箇所を見てみます。ID名が「id="toc-001*"」のような形となっており、なるほどこれはエラーになるわけだと一旦は思いました。XMLではID名に「*」の記号を使うことを許容していないからです^※2。ということでまずはEpubCheckの各バージョンでこの状態のEPUBでエラーになるかを見てみます。

　EpubCheck3.0.1だと

　なるほどエラーとなるようです。

　EpubCheck4.0.1だと

　エラーになりません。なるほど。

　では、ちょっとID名を変えて見てみます。「id="toc-あ001"」と、ひらがなの「あ」を入れてみました。この状態でEpubCheckをかけますと

　EpubCheck3.0.1で

　おや、エラーになりませんね。

　同じくEpubCheck4.0.1だと

　こちらもエラーにならないようです。

HTML5ではID名に何を使ってもよい

　困った話だなと思ったのですが、さらに調べるとどうもHTML5では途中にスペースが入らない限りID名に何を使ってもよいとの話もあるようで^※3、これに従うと挙動としては実はEpubCheck3.0.1でエラーになるのが間違いだったということになるのでしょうか。
　ただ、EPUB3を内部的にXMLなどに変換して表示しているビューアも存在しますので、XMLのID名使用可能文字の制限に従っておくのが無難なのは間違いないと思います。ということでどうやらこの件ではEpubCheckを当てにできませんので、独自にPerlでチェッカーを作ってみました。

use utf8;
#モジュールをインポート
use Encode qw/encode decode/;
use File::Basename qw/basename dirname/;
use Archive::Zip;
use Archive::Extract;
use File::Path;

#引数1で指定したepubファイルを取得
$epubFilePath = $ARGV[0];
$epubFilePath = decode('UTF-8', $epubFilePath);
my $epubFileName = basename $epubFilePath;

###################チェック用一時epubファイルのパスを取得###################
my $epubpackage = Archive::Zip->new();
die unless $epubpackage->read($epubFilePath) == Archive::Zip::AZ_OK;
#パスリスト変数の定義
my @xhtmlfilePaths;
my @files = $epubpackage->members();
#EPUB内各XHTMLファイルへのパスを取得
foreach my $file (@files) {
	push(@xhtmlfilePaths,$file->fileName) if ($file->fileName =~ /^(.*?)\.xhtml$/);
}

###################チェック用一時ファイル解凍処理###################
my $uniqueFolderPath = '/tmp/' . $epubFileName;
#同一フォルダが存在したら連番をつける処理
my $mynum = 1;
if (-d $uniqueFolderPath){
	while (-d $uniqueFolderPath){
		$uniqueFolderPath = ('/tmp/' . $epubFileName . '_' . $mynum);
		$mynum++;
	}
}
#解凍実行
my $epubArchive = Archive::Extract->new(archive => $epubFilePath,type => 'zip') or die;
$epubArchive->extract(to => $uniqueFolderPath);

###################チェック処理###################
#ログ出力用変数定義
our $finalXmlIdnameOutputLog = "";
#各xhtmlファイルを展開
foreach $myXhtmlfilePath (@xhtmlfilePaths){
&eachFileProceed($myXhtmlfilePath);
}

###################ログにタイトル部分を合成###################
if ($finalXmlIdnameOutputLog eq ""){
	$finalXmlIdnameOutputLog = '##Xml Idname Check Result ： ' . "\r\n" . 'OK! Not Any Irregular Xml IdName in EPUB File!';
} else {
	$finalXmlIdnameOutputLog = '##Xml Idname Check Result ： ' . "\r\n" . $finalXmlIdnameOutputLog;
}

###################チェック用一時ファイルの削除###################
rmtree($uniqueFolderPath);

###################ログ出力###################
my $logOutputPath = (dirname $epubFilePath) . '/EpubIdNameCheck.log';
$logOutputPath = encode('UTF-8', $logOutputPath);
open(OUT,">> $logOutputPath");
#チェックしたepubファイル名を出力
my $finalFilename = '####Checked FileName ： ' . "\r\n" . $epubFileName;
$finalFilename = encode('UTF-8', $finalFilename);
print OUT $finalFilename . "\r\n\r\n";
#XMLのID名のチェック結果を出力
$finalXmlIdnameOutputLog = encode('UTF-8', $finalXmlIdnameOutputLog);
print OUT $finalXmlIdnameOutputLog . "\r\n\r\n";
close (OUT);
exit;

###################Sub###################
#各xhtmlファイルのチェック
sub eachFileProceed {
	my $myXhtmlfilePath = $_[0];
	#各xhtmlファイル名を取得
	our $xhtmlFileName = basename $myXhtmlfilePath;
	my $eachFilePath = ($uniqueFolderPath . "/" . $myXhtmlfilePath);
	open(IN,"$eachFilePath");
	#改行コードの統一処理
	@myCHECKFILEtxts = <IN>;
	$myCHECKFILEtxts = join("",@myCHECKFILEtxts);
	$myCHECKFILEtxts =~ s@\x0D\x0A@\x0D@g;
	$myCHECKFILEtxts =~ s@\x0A@\x0D@g;
	$myCHECKFILEtxts = decode('UTF-8', $myCHECKFILEtxts);
	@eachLine = split("\x0D",$myCHECKFILEtxts);
	close (IN);
	
	our $lineNumCount = 1;
	#各ファイル内各行のチェック
	foreach $myLine (@eachLine){
	&eachLineProceed($myLine);
	$lineNumCount++;
	}
}

#XMLのID名のチェック
sub eachLineProceed {
	my $myLine = $_[0];
	while($myLine =~ /id *= *\"([^\"]*?)\"/ig) {
	unless ($1 =~ /^[0-9a-zA-Z\-\_\.:]+?$/){
		$matchPlace = pos($myLine);
		$finalXmlIdnameOutputLog = ($finalXmlIdnameOutputLog . 'Caution! IrregularXmlIdName at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $matchPlace . "\n")
	}
}
}

100

101

102

103

104

105

use utf8;

#モジュールをインポート

use Encode qw/encode decode/;

use File::Basename qw/basename dirname/;

use Archive::Zip;

use Archive::Extract;

use File::Path;

#引数1で指定したepubファイルを取得

$epubFilePath = $ARGV[0];

$epubFilePath = decode('UTF-8', $epubFilePath);

my $epubFileName = basename $epubFilePath;

###################チェック用一時epubファイルのパスを取得###################

my $epubpackage = Archive::Zip->new();

die unless $epubpackage->read($epubFilePath) == Archive::Zip::AZ_OK;

#パスリスト変数の定義

my @xhtmlfilePaths;

my @files = $epubpackage->members();

#EPUB内各XHTMLファイルへのパスを取得

foreach my $file (@files) {

push(@xhtmlfilePaths,$file->fileName) if ($file->fileName =~ /^(.*?)\.xhtml$/);

}

###################チェック用一時ファイル解凍処理###################

my $uniqueFolderPath = '/tmp/' . $epubFileName;

#同一フォルダが存在したら連番をつける処理

my $mynum = 1;

if (-d $uniqueFolderPath){

while (-d $uniqueFolderPath){

$uniqueFolderPath = ('/tmp/' . $epubFileName . '_' . $mynum);

$mynum++;

}

#解凍実行

my $epubArchive = Archive::Extract->new(archive => $epubFilePath,type => 'zip') or die;

$epubArchive->extract(to => $uniqueFolderPath);

###################チェック処理###################

#ログ出力用変数定義

our $finalXmlIdnameOutputLog = "";

#各xhtmlファイルを展開

foreach $myXhtmlfilePath (@xhtmlfilePaths){

&eachFileProceed($myXhtmlfilePath);

}

###################ログにタイトル部分を合成###################

if ($finalXmlIdnameOutputLog eq ""){

$finalXmlIdnameOutputLog = '##Xml Idname Check Result ： ' . "\r\n" . 'OK! Not Any Irregular Xml IdName in EPUB File!';

} else {

$finalXmlIdnameOutputLog = '##Xml Idname Check Result ： ' . "\r\n" . $finalXmlIdnameOutputLog;

}

###################チェック用一時ファイルの削除###################

rmtree($uniqueFolderPath);

###################ログ出力###################

my $logOutputPath = (dirname $epubFilePath) . '/EpubIdNameCheck.log';

$logOutputPath = encode('UTF-8', $logOutputPath);

open(OUT,">> $logOutputPath");

#チェックしたepubファイル名を出力

my $finalFilename = '####Checked FileName ： ' . "\r\n" . $epubFileName;

$finalFilename = encode('UTF-8', $finalFilename);

print OUT $finalFilename . "\r\n\r\n";

#XMLのID名のチェック結果を出力

$finalXmlIdnameOutputLog = encode('UTF-8', $finalXmlIdnameOutputLog);

print OUT $finalXmlIdnameOutputLog . "\r\n\r\n";

close (OUT);

exit;

###################Sub###################

#各xhtmlファイルのチェック

sub eachFileProceed {

my $myXhtmlfilePath = $_[0];

#各xhtmlファイル名を取得

our $xhtmlFileName = basename $myXhtmlfilePath;

my $eachFilePath = ($uniqueFolderPath . "/" . $myXhtmlfilePath);

open(IN,"$eachFilePath");

#改行コードの統一処理

@myCHECKFILEtxts = <IN>;

$myCHECKFILEtxts = join("",@myCHECKFILEtxts);

$myCHECKFILEtxts =~ s@\x0D\x0A@\x0D@g;

$myCHECKFILEtxts =~ s@\x0A@\x0D@g;

$myCHECKFILEtxts = decode('UTF-8', $myCHECKFILEtxts);

@eachLine = split("\x0D",$myCHECKFILEtxts);

close (IN);

our $lineNumCount = 1;

#各ファイル内各行のチェック

foreach $myLine (@eachLine){

&eachLineProceed($myLine);

$lineNumCount++;

}

#XMLのID名のチェック

sub eachLineProceed {

my $myLine = $_[0];

while($myLine =~ /id *= *\"([^\"]*?)\"/ig) {

unless ($1 =~ /^[0-9a-zA-Z\-\_\.:]+?$/){

$matchPlace = pos($myLine);

$finalXmlIdnameOutputLog = ($finalXmlIdnameOutputLog . 'Caution! IrregularXmlIdName at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $matchPlace . "\n")

}

　こんな感じでしょうか。一応これでチェックは可能となりました。ターミナルで引数にEPUBファイルを指定してやることでログファイルを出力します。環境によってはArchive::Extractモジュールのインストールは必要かもしれません。

◇

　EpubCheckはIDPFが配布している公式なEPUBの構造チェッカーですので、まずはこれを通るデータであることが市場流通させられるEPUBの最低条件であることは言うまでもありませんが、各パラメータチェックの細かな部分を見ていくと、必ずしもEpubCheckだけで十分というわけでもないようです。現場サイドでの対応も必要といったところでしょうか。

＊1　IDPFの提供している公式なEPUBデータチェック用バリデータ。これでエラーとならないことが市場に流通させられるEPUBの最低条件。

＊2　半角の英数字および「.」「:」「_」「-」のみ使用できる

＊3　参考：https://www.marguerite.jp/Nihongo/WWW/RefHTML/Attrs/id.html

追記：XML関係の有識者の方にコメントいただきまして、どうやら規格としてはHTML5およびそれを内包しているEPUB3ではID名にはどんな文字を使ってもよい、ということで確定のようです。ただ、実際には古いXML規格で回っているシステムは多数あるかと思いますので、ID名にひらがなや漢字、旧規格で認可されていた以外の記号類を混ぜるようなことはしない方が無難だろうとは思います。規格と実装はまた別です。

（2016.8.3）

タグ: epubcheck, ID名, Perl
カテゴリー: 未分類 | 3 件のコメント »

濁点のトラブルに遭遇

2015/02/09

　最近あったちょっとしたトラブルについてちょっとメモ代わりに。epubはおおざっぱに言えばxhtmlをzipで固めたようなものなので、各xhtmlファイルには当然ヘッダ部分があり、タイトルがあるわけなのですが、このタイトル部分に含まれている文字の濁点の部分が「非濁点親文字」＋「゛」の合字になっており、一部のビューアで合字をきちんと表示できないため、問題となりました。以前からFinder内で入力された文字がOS XのUnicode正規化処理によって変換される問題があるという話は知っていたのですが、実際にトラブルに遭遇したのは初めてでした。Unicode正規化処理に関しましてはものかの先生が詳しく解説してますのでこちらの記事を。

OS Xの処理によって濁点が分解される

　ざっくり何が起きるのかというと、Finderでファイル名等を入力すると、入力時に例えば「ダ」が「タ」＋「゛」に分解されて収納されるということです。商用アプリ等では通常これを見越して再変換処理を行っていると思いますので、そういったアプリだけを利用して仕事を完結させているとこの現象に気づかないケースも多いかと思いますが、自家製スクリプト等でファイル名、フォルダ名などを取得して処理するようなケースではきちんとした対策が必要になってきます。今回はそれをしていなかったために合字が混入してしまいました。

　やらなきゃならない処理としては簡単で、変化している可能性のある文字をリスト化して順番に置換をかければいいわけです。ということでものかの先生のサイトで公開されているひらくんさんのperlスクリプトを参考に置換処理を実行。

use Unicode::Normalize;
my $myReg = '[^\x{0340}\x{0341}\x{0343}\x{0344}\x{0374}\x{037E}\x{0387}\x{0958}-\x{095F}\x{09DC}\x{09DD}\x{09DF}\x{0A33}\x{0A36}\x{0A59}-\x{0A5B}\x{0A5E}\x{0B5C}\x{0B5D}\x{0F43}\x{0F4D}\x{0F52}\x{0F57}\x{0F5C}\x{0F69}\x{0F73}\x{0F75}\x{0F76}\x{0F78}\x{0F81}\x{0F93}\x{0F9D}\x{0FA2}\x{0FA7}\x{0FAC}\x{0FB9}\x{1F71}\x{1F73}\x{1F75}\x{1F77}\x{1F79}\x{1F7B}\x{1F7D}\x{1FBB}\x{1FBE}\x{1FC9}\x{1FCB}\x{1FD3}\x{1FDB}\x{1FE3}\x{1FEB}\x{1FEE}\x{1FEF}\x{1FF9}\x{1FFB}\x{1FFD}\x{2000}\x{2001}\x{2126}\x{212A}\x{212B}\x{2329}\x{232A}\x{2ADC}\x{F900}-\x{FA0D}\x{FA10}\x{FA12}\x{FA15}-\x{FA1E}\x{FA20}\x{FA22}\x{FA25}\x{FA26}\x{FA2A}-\x{FA6D}\x{FA70}-\x{FAD9}\x{FB1D}\x{FB1F}\x{FB2A}-\x{FB36}\x{FB38}-\x{FB3C}\x{FB3E}\x{FB40}\x{FB41}\x{FB43}\x{FB44}\x{FB46}-\x{FB4E}\x{1D15E}-\x{1D164}\x{1D1BB}-\x{1D1C0}\x{2F800}-\x{2FA1D}]+';
$xxxx =~ s/($myReg)/NFC($1)/eg;

use Unicode::Normalize;

my $myReg = '[^\x{0340}\x{0341}\x{0343}\x{0344}\x{0374}\x{037E}\x{0387}\x{0958}-\x{095F}\x{09DC}\x{09DD}\x{09DF}\x{0A33}\x{0A36}\x{0A59}-\x{0A5B}\x{0A5E}\x{0B5C}\x{0B5D}\x{0F43}\x{0F4D}\x{0F52}\x{0F57}\x{0F5C}\x{0F69}\x{0F73}\x{0F75}\x{0F76}\x{0F78}\x{0F81}\x{0F93}\x{0F9D}\x{0FA2}\x{0FA7}\x{0FAC}\x{0FB9}\x{1F71}\x{1F73}\x{1F75}\x{1F77}\x{1F79}\x{1F7B}\x{1F7D}\x{1FBB}\x{1FBE}\x{1FC9}\x{1FCB}\x{1FD3}\x{1FDB}\x{1FE3}\x{1FEB}\x{1FEE}\x{1FEF}\x{1FF9}\x{1FFB}\x{1FFD}\x{2000}\x{2001}\x{2126}\x{212A}\x{212B}\x{2329}\x{232A}\x{2ADC}\x{F900}-\x{FA0D}\x{FA10}\x{FA12}\x{FA15}-\x{FA1E}\x{FA20}\x{FA22}\x{FA25}\x{FA26}\x{FA2A}-\x{FA6D}\x{FA70}-\x{FAD9}\x{FB1D}\x{FB1F}\x{FB2A}-\x{FB36}\x{FB38}-\x{FB3C}\x{FB3E}\x{FB40}\x{FB41}\x{FB43}\x{FB44}\x{FB46}-\x{FB4E}\x{1D15E}-\x{1D164}\x{1D1BB}-\x{1D1C0}\x{2F800}-\x{2FA1D}]+';

$xxxx =~ s/($myReg)/NFC($1)/eg;

　これを混入の可能性のある各文字列に対して実行するだけです。

チェッカースクリプトにも処理を追記

　ついでに、最終出力EPUBに濁点（U+3099）、半濁点（U+309A）が混入していないかどうかをチェックする処理を以前に作ったスクリプトに追加しました。

ログ出力用変数に

our $finalVoicedSoundmarkOutputLog = "";

1	our $finalVoicedSoundmarkOutputLog = "";

を追記、

最終出力ログの分岐処理部分に

if ($finalVoicedSoundmarkOutputLog eq ""){
	$finalVoicedSoundmarkOutputLog = '##Voiced Soundmark Check Result ： ' . "\r\n" . 'OK! Not Any Voiced Soundmark in EPUB File!';
} else {
	$finalVoicedSoundmarkOutputLog = '##Voiced Soundmark Check Result ： ' . "\r\n" . $finalVoicedSoundmarkOutputLog;
}

if ($finalVoicedSoundmarkOutputLog eq ""){

$finalVoicedSoundmarkOutputLog = '##Voiced Soundmark Check Result ： ' . "\r\n" . 'OK! Not Any Voiced Soundmark in EPUB File!';

} else {

$finalVoicedSoundmarkOutputLog = '##Voiced Soundmark Check Result ： ' . "\r\n" . $finalVoicedSoundmarkOutputLog;

}

を追記、

ログ出力部に

$finalVoicedSoundmarkOutputLog = encode('UTF-8', $finalVoicedSoundmarkOutputLog);
print OUT $finalVoicedSoundmarkOutputLog . "\r\n\r\n";

1 2	$finalVoicedSoundmarkOutputLog = encode('UTF-8', $finalVoicedSoundmarkOutputLog); print OUT $finalVoicedSoundmarkOutputLog . "\r\n\r\n";

を追記、

各キャラクタのチェック用サブルーチン内に

	if ($mychara =~ /[\x{3099}\x{309A}]/){
		$finalVoicedSoundmarkOutputLog = ($finalVoicedSoundmarkOutputLog . 'Caution! VoicedSoundmarkCharactors at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $CharaNumCount . "\n")
	}

if ($mychara =~ /[\x{3099}\x{309A}]/){

$finalVoicedSoundmarkOutputLog = ($finalVoicedSoundmarkOutputLog . 'Caution! VoicedSoundmarkCharactors at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $CharaNumCount . "\n")

}

を追記。

　これでEPUBファイル内に濁点（U+3099）、半濁点（U+309A）が混入していた場合にはチェッカーログに出力されるようになりました。

　以下改訂後の全文です。

use utf8;

#Encodeモジュールをインポート
use Encode qw/encode decode/;
use File::Basename qw/basename dirname/;
use Archive::Zip;
use Archive::Extract;
use File::Path;

#引数1で指定したepubファイルを取得
$epubFilePath = $ARGV[0];
$epubFilePath = decode('UTF-8', $epubFilePath);
my $epubFileName = basename $epubFilePath;

###################チェック用一時epubファイルのパスを取得###################
my $epubpackage = Archive::Zip->new();
die unless $epubpackage->read($epubFilePath) == Archive::Zip::AZ_OK;
#パスリスト変数の定義
my @xhtmlfilePaths;
my @files = $epubpackage->members();
foreach my $file (@files) {
	push(@xhtmlfilePaths,$file->fileName) if ($file->fileName =~ /^(.*?)\.xhtml$/);
}

###################チェック用一時ファイル解凍処理###################
my $uniqueFolderPath = '/tmp/' . $epubFileName;
#同一フォルダが存在したら連番をつける処理
my $mynum = 1;
if (-d $uniqueFolderPath){
	while (-d $uniqueFolderPath){
		$uniqueFolderPath = ('/tmp/' . $epubFileName . '_' . $mynum);
		$mynum++;
	}
}

#解凍実行

my $epubArchive = Archive::Extract->new(archive => $epubFilePath,type => 'zip') or die;
$epubArchive->extract(to => $uniqueFolderPath);

###################文字チェック処理###################
#ログ出力用変数定義
our $finalSarrogatePairOutputLog = "";
our $finalIVSOutputLog = "";
our $finalIrregularSpaceOutputLog = "";
our $finalVoicedSoundmarkOutputLog = "";

#各xhtmlファイルを展開

foreach $myXhtmlfilePath (@xhtmlfilePaths){
&eachFileProceed($myXhtmlfilePath);
}

###################ログにタイトル部分を合成###################
if ($finalSarrogatePairOutputLog eq ""){
	$finalSarrogatePairOutputLog = '##SarrogatePair Character Check Result ： ' . "\r\n" . 'OK! Not Any SarrogatePair Characters in EPUB File!';
} else {
	$finalSarrogatePairOutputLog = '##SarrogatePair Character Check Result ： ' . "\r\n" . $finalSarrogatePairOutputLog;
}
if ($finalIVSOutputLog eq ""){
	$finalIVSOutputLog = '##Unicode IVS Character Check Result ： ' . "\r\n" . 'OK! Not Any Unicode IVS Characters in EPUB File!';
} else {
	$finalIVSOutputLog = '##Unicode IVS Character Check Result ： ' . "\r\n" . $finalIVSOutputLog;
}
if ($finalIrregularSpaceOutputLog eq ""){
	$finalIrregularSpaceOutputLog = '##Irregular Space Character Check Result ： ' . "\r\n" . 'OK! Not Any Irregular Space Characters in EPUB File!';
} else {
	$finalIrregularSpaceOutputLog = '##Irregular Space Character Check Result ： ' . "\r\n" . $finalIrregularSpaceOutputLog;
}
if ($finalVoicedSoundmarkOutputLog eq ""){
	$finalVoicedSoundmarkOutputLog = '##Voiced Soundmark Check Result ： ' . "\r\n" . 'OK! Not Any Voiced Soundmark in EPUB File!';
} else {
	$finalVoicedSoundmarkOutputLog = '##Voiced Soundmark Check Result ： ' . "\r\n" . $finalVoicedSoundmarkOutputLog;
}


###################チェック用一時ファイルの削除###################
rmtree($uniqueFolderPath);

###################ログ出力###################
my $logOutputPath = (dirname $epubFilePath) . '/EpubTotalDataCheck.log';
$logOutputPath = encode('UTF-8', $logOutputPath);
open(OUT,">> $logOutputPath");
#チェックしたepubファイル名を出力
my $finalFilename = '####Checked FileName ： ' . "\r\n" . $epubFileName;
$finalFilename = encode('UTF-8', $finalFilename);
print OUT $finalFilename . "\r\n\r\n";
#サロゲートペア文字の有無を出力
$finalSarrogatePairOutputLog = encode('UTF-8', $finalSarrogatePairOutputLog);
print OUT $finalSarrogatePairOutputLog . "\r\n\r\n";
#Unicode IVS文字の有無を出力
$finalIVSOutputLog = encode('UTF-8', $finalIVSOutputLog);
print OUT $finalIVSOutputLog . "\r\n\r\n";
#特殊スペース文字の有無を出力
$finalIrregularSpaceOutputLog = encode('UTF-8', $finalIrregularSpaceOutputLog);
print OUT $finalIrregularSpaceOutputLog . "\r\n\r\n";
#濁点半濁点の有無を出力
$finalVoicedSoundmarkOutputLog = encode('UTF-8', $finalVoicedSoundmarkOutputLog);
print OUT $finalVoicedSoundmarkOutputLog . "\r\n\r\n";
close (OUT);

exit;

###################サブルーチン###################
#各xhtmlファイルのチェック
sub eachFileProceed {
	my $myXhtmlfilePath = $_[0];
	#各xhtmlファイル名を取得
	our $xhtmlFileName = basename $myXhtmlfilePath;
	my $eachFilePath = ($uniqueFolderPath . "/" . $myXhtmlfilePath);
	open(IN,"$eachFilePath");
	#改行コードの統一処理
	@myCHECKFILEtxts = <IN>;
	$myCHECKFILEtxts = join("",@myCHECKFILEtxts);
	$myCHECKFILEtxts =~ s@\x0D\x0A@\x0D@g;
	$myCHECKFILEtxts =~ s@\x0A@\x0D@g;
	$myCHECKFILEtxts = decode('UTF-8', $myCHECKFILEtxts);
	@eachLine = split("\x0D",$myCHECKFILEtxts);
	close (IN);
	
	our $lineNumCount = 1;
	#各ファイル内各行にIVS/サロゲートペア文字が含まれているかどうかのチェック
	foreach $myLine (@eachLine){
	&eachLineProceed($myLine);
	$lineNumCount++;
	}
}

#各xhtmlファイル内各行のチェック
sub eachLineProceed {
	my $myLine = $_[0];
###サロゲートペア文字参照のチェック、ログに追記###
#16進数
while($myLine =~ /&\#x2[0-9A-Z]{4};/ig) {
	$matchPlace = pos($myLine);
	$finalSarrogatePairOutputLog = ($finalSarrogatePairOutputLog . 'Caution! SarrogatePairCharacterRefernce at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $matchPlace . "\n")
}
#10進数
while($myLine =~ /&\#(1[0-9]{5});/ig) {
	$matchPlace = pos($myLine);
	if ($1 >= 131072 && $1 <= 196607) {
		$finalSarrogatePairOutputLog = ($finalSarrogatePairOutputLog . 'Caution! SarrogatePairCharacterRefernce at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $matchPlace . "\n")
	}
}

###IVS文字参照のチェック###
#16進数
while($myLine =~ /&\#xE[0-9A-Z]{4};/ig) {
	$matchPlace = pos($myLine);
	$finalIVSOutputLog = ($finalIVSOutputLog . 'Caution! UnicodeIVSCharacterRefernce at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $matchPlace . "\n")
}
#10進数
while($myLine =~ /&\#(9[0-9]{5});/ig) {
	$matchPlace = pos($myLine);
	if ($1 >= 917504 && $1 <= 983039) {
		$finalIVSOutputLog = ($finalIVSOutputLog . 'Caution! UnicodeIVSCharacterRefernce at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $matchPlace . "\n")
	}
}

###特殊スペース文字のチェック###
#16進数
while($myLine =~ /&\#x(200[456789ACD]);/ig) {
	$matchPlace = pos($myLine);
	$finalIrregularSpaceOutputLog = ($finalIrregularSpaceOutputLog . 'Caution! IrregularSpaceCharactorRefernce at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $matchPlace . "\n")
}
#10進数
while($myLine =~ /&\#(819[6789]|820[01245]);/ig) {
	$matchPlace = pos($myLine);
	$finalIrregularSpaceOutputLog = ($finalIrregularSpaceOutputLog . 'Caution! IrregularSpaceCharactorRefernce at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $matchPlace . "\n")
}

#キャラクタごとの処理へ
my @eachchara = split(//,$myLine);
our $CharaNumCount = 1;
foreach $mychara(@eachchara){
	&eachCharaProceed($myChara);
		$CharaNumCount++;
	}
}

#各xhtmlファイル内各行内各キャラクタのチェック
sub eachCharaProceed {
	my $myChara = $_[0];
	###サロゲートペア文字のチェック###
	#サロゲートペア文字の場所をチェック、ログに追記
	if ($mychara =~ /[\x{20000}-\x{2FFFF}]/){
		$finalSarrogatePairOutputLog = ($finalSarrogatePairOutputLog . 'Caution! SarrogatePairCharacters at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $CharaNumCount . "\n")
	}
	###IVS文字のチェック###
	#Unicode IVS文字の場所をチェック、ログに追記
	if ($mychara =~ /[\x{E0000}-\x{EFFFF}]/){
		$finalIVSOutputLog = ($finalIVSOutputLog . 'Caution! UnicodeIVSCharacters at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $CharaNumCount . "\n")
	}
	###特殊スペース文字のチェック###
	#4分スペースなどの特殊スペース文字が含まれているかどうかのチェック
	if ($mychara =~ /[\x{2004}-\x{200A}\x{200C}-\x{200D}]/){
		$finalIrregularSpaceOutputLog = ($finalIrregularSpaceOutputLog . 'Caution! IrregularSpaceCharactors at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $CharaNumCount . "\n")
	}
	###濁点半濁点のチェック###
	#HFS+の正規化で分解された濁点半濁点が含まれているかどうかのチェック
	if ($mychara =~ /[\x{3099}\x{309A}]/){
		$finalVoicedSoundmarkOutputLog = ($finalVoicedSoundmarkOutputLog . 'Caution! VoicedSoundmarkCharactors at ' . '   ' . 'FileName:' . $xhtmlFileName . '   ' . 'Line:' . $lineNumCount . '   ' . 'Character:' . $CharaNumCount . "\n")
	}
}

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

use utf8;

#Encodeモジュールをインポート

use Encode qw/encode decode/;

use File::Basename qw/basename dirname/;

use Archive::Zip;

use Archive::Extract;

use File::Path;

#引数1で指定したepubファイルを取得

$epubFilePath = $ARGV[0];

$epubFilePath = decode('UTF-8', $epubFilePath);

my $epubFileName = basename $epubFilePath;

###################チェック用一時epubファイルのパスを取得###################

my $epubpackage = Archive::Zip->new();

die unless $epubpackage->read($epubFilePath) == Archive::Zip::AZ_OK;

#パスリスト変数の定義

my @xhtmlfilePaths;

my @files = $epubpackage->members();

foreach my $file (@files) {

push(@xhtmlfilePaths,$file->fileName) if ($file->fileName =~ /^(.*?)\.xhtml$/);

}

###################チェック用一時ファイル解凍処理###################

my $uniqueFolderPath = '/tmp/' . $epubFileName;

#同一フォルダが存在したら連番をつける処理

my $mynum = 1;

if (-d $uniqueFolderPath){

while (-d $uniqueFolderPath){

$uniqueFolderPath = ('/tmp/' . $epubFileName . '_' . $mynum);

$mynum++;

}

#解凍実行

my $epubArchive = Archive::Extract->new(archive => $epubFilePath,type => 'zip') or die;

$epubArchive->extract(to => $uniqueFolderPath);

###################文字チェック処理###################

#ログ出力用変数定義

our $finalSarrogatePairOutputLog = "";

our $finalIVSOutputLog = "";

our $finalIrregularSpaceOutputLog = "";

our $finalVoicedSoundmarkOutputLog = "";

#各xhtmlファイルを展開

foreach $myXhtmlfilePath (@xhtmlfilePaths){

&eachFileProceed($myXhtmlfilePath);

}

###################ログにタイトル部分を合成###################

if ($finalSarrogatePairOutputLog eq ""){

$finalSarrogatePairOutputLog = '##SarrogatePair Character Check Result ： ' . "\r\n" . 'OK! Not Any SarrogatePair Characters in EPUB File!';

} else {

$finalSarrogatePairOutputLog = '##SarrogatePair Character Check Result ： ' . "\r\n" . $finalSarrogatePairOutputLog;

}

if ($finalIVSOutputLog eq ""){

$finalIVSOutputLog = '##Unicode IVS Character Check Result ： ' . "\r\n" . 'OK! Not Any Unicode IVS Characters in EPUB File!';

} else {

$finalIVSOutputLog = '##Unicode IVS Character Check Result ： ' . "\r\n" . $finalIVSOutputLog;

}

if ($finalIrregularSpaceOutputLog eq ""){

$finalIrregularSpaceOutputLog = '##Irregular Space Character Check Result ： ' . "\r\n" . 'OK! Not Any Irregular Space Characters in EPUB File!';

} else {

$finalIrregularSpaceOutputLog = '##Irregular Space Character Check Result ： ' . "\r\n" . $finalIrregularSpaceOutputLog;

}

if ($finalVoicedSoundmarkOutputLog eq ""){

$finalVoicedSoundmarkOutputLog = '##Voiced Soundmark Check Result ： ' . "\r\n" . 'OK! Not Any Voiced Soundmark in EPUB File!';

} else {

$finalVoicedSoundmarkOutputLog = '##Voiced Soundmark Check Result ： ' . "\r\n" . $finalVoicedSoundmarkOutputLog;

}

###################チェック用一時ファイルの削除###################

rmtree($uniqueFolderPath);

###################ログ出力###################

my $logOutputPath = (dirname $epubFilePath) . '/EpubTotalDataCheck.log';

$logOutputPath = encode('UTF-8', $logOutputPath);

open(OUT,">> $logOutputPath");

#チェックしたepubファイル名を出力

my $finalFilename = '####Checked FileName ： ' . "\r\n" . $epubFileName;

$finalFilename = encode('UTF-8', $finalFilename);

print OUT $finalFilename . "\r\n\r\n";

#サロゲートペア文字の有無を出力

$finalSarrogatePairOutputLog = encode('UTF-8', $finalSarrogatePairOutputLog);

print OUT $finalSarrogatePairOutputLog . "\r\n\r\n";

#Unicode IVS文字の有無を出力

$finalIVSOutputLog = encode('UTF-8', $finalIVSOutputLog);

print OUT $finalIVSOutputLog . "\r\n\r\n";

#特殊スペース文字の有無を出力

$finalIrregularSpaceOutputLog = encode('UTF-8', $finalIrregularSpaceOutputLog);

print OUT $finalIrregularSpaceOutputLog . "\r\n\r\n";

#濁点半濁点の有無を出力

$finalVoicedSoundmarkOutputLog = encode('UTF-8', $finalVoicedSoundmarkOutputLog);

print OUT $finalVoicedSoundmarkOutputLog . "\r\n\r\n";

close (OUT);

exit;

###################サブルーチン###################

#各xhtmlファイルのチェック

sub eachFileProceed {

my $myXhtmlfilePath = $_[0];

#各xhtmlファイル名を取得

our $xhtmlFileName = basename $myXhtmlfilePath;

my $eachFilePath = ($uniqueFolderPath . "/" . $myXhtmlfilePath);

open(IN,"$eachFilePath");

#改行コードの統一処理

@myCHECKFILEtxts = <IN>;

$myCHECKFILEtxts = join("",@myCHECKFILEtxts);

$myCHECKFILEtxts =~ s@\x0D\x0A@\x0D@g;

$myCHECKFILEtxts =~ s@\x0A@\x0D@g;

$myCHECKFILEtxts = decode('UTF-8', $myCHECKFILEtxts);

@eachLine = split("\x0D",$myCHECKFILEtxts);

close (IN);

our $lineNumCount = 1;

#各ファイル内各行にIVS/サロゲートペア文字が含まれているかどうかのチェック

foreach $myLine (@eachLine){

&eachLineProceed($myLine);

$lineNumCount++;

}

#各xhtmlファイル内各行のチェック

sub eachLineProceed {

my $myLine = $_[0];

###サロゲートペア文字参照のチェック、ログに追記###

#16進数

while($myLine =~ /&\#x2[0-9A-Z]{4};/ig) {

$matchPlace = pos($myLine);

$finalSarrogatePairOutputLog = ($finalSarrogatePairOutputLog . 'Caution! SarrogatePairCharacterRefernce at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $matchPlace . "\n")

}

#10進数

while($myLine =~ /&\#(1[0-9]{5});/ig) {

$matchPlace = pos($myLine);

if ($1 >= 131072 && $1 <= 196607) {

}

###IVS文字参照のチェック###

#16進数

while($myLine =~ /&\#xE[0-9A-Z]{4};/ig) {

$matchPlace = pos($myLine);

$finalIVSOutputLog = ($finalIVSOutputLog . 'Caution! UnicodeIVSCharacterRefernce at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $matchPlace . "\n")

}

#10進数

while($myLine =~ /&\#(9[0-9]{5});/ig) {

$matchPlace = pos($myLine);

if ($1 >= 917504 && $1 <= 983039) {

$finalIVSOutputLog = ($finalIVSOutputLog . 'Caution! UnicodeIVSCharacterRefernce at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $matchPlace . "\n")

}

###特殊スペース文字のチェック###

#16進数

while($myLine =~ /&\#x(200[456789ACD]);/ig) {

$matchPlace = pos($myLine);

$finalIrregularSpaceOutputLog = ($finalIrregularSpaceOutputLog . 'Caution! IrregularSpaceCharactorRefernce at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $matchPlace . "\n")

}

#10進数

while($myLine =~ /&\#(819[6789]|820[01245]);/ig) {

$matchPlace = pos($myLine);

}

#キャラクタごとの処理へ

my @eachchara = split(//,$myLine);

our $CharaNumCount = 1;

foreach $mychara(@eachchara){

&eachCharaProceed($myChara);

$CharaNumCount++;

}

#各xhtmlファイル内各行内各キャラクタのチェック

sub eachCharaProceed {

my $myChara = $_[0];

###サロゲートペア文字のチェック###

#サロゲートペア文字の場所をチェック、ログに追記

if ($mychara =~ /[\x{20000}-\x{2FFFF}]/){

$finalSarrogatePairOutputLog = ($finalSarrogatePairOutputLog . 'Caution! SarrogatePairCharacters at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $CharaNumCount . "\n")

}

###IVS文字のチェック###

#Unicode IVS文字の場所をチェック、ログに追記

if ($mychara =~ /[\x{E0000}-\x{EFFFF}]/){

$finalIVSOutputLog = ($finalIVSOutputLog . 'Caution! UnicodeIVSCharacters at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $CharaNumCount . "\n")

}

###特殊スペース文字のチェック###

#4分スペースなどの特殊スペース文字が含まれているかどうかのチェック

if ($mychara =~ /[\x{2004}-\x{200A}\x{200C}-\x{200D}]/){

$finalIrregularSpaceOutputLog = ($finalIrregularSpaceOutputLog . 'Caution! IrregularSpaceCharactors at ' . ' ' . 'FileName:' . $xhtmlFileName . ' ' . 'Line:' . $lineNumCount . ' ' . 'Character:' . $CharaNumCount . "\n")

}

###濁点半濁点のチェック###

#HFS+の正規化で分解された濁点半濁点が含まれているかどうかのチェック

if ($mychara =~ /[\x{3099}\x{309A}]/){

}

◇

　いやまあ今まで経験したことないことがいろいろ起きてきますねえ。刺激はたっぷりあります。今回はものかの先生のお話を聞いておいて本当に助かりました。このお礼はいずれ豆大福などで。

改訂後のMac用ドロップレットです。
＞＞EPUB3トータルデータチェッカー1.3.0（Mac用アプリ）ダウンロードはこちら

（2015.2.10）

タグ: OS X, Perl, Unicode正規化, 豆大福
カテゴリー: 未分類 | 2 件のコメント »

表組みをCSV経由でXHTMLにしてみた

2014/09/16

　InDesignデータからのEPUB制作で、悩ましいポイントのひとつが「表組み」の対応です。InDesignのEPUB書き出し機能を使うことでInDesign内の表をテーブル形式で書き出すことはできますが、InDesignの表組み機能では、そもそもセルの内容が複数ページにまたがるような場合には分割して作る必要があり、これの修正には当然相応の手間がかかります。また、そもそも元データがInDesign内の表作成機能を使用して作られていないケースも多々あります。
　また、現状多くのビューアでテーブル表示の対応が不完全で、これを受けて電書協ガイドではテーブル要素を非対応としているという現状もあります。このため、現在のEPUB作成では、現実的な解として表組みのページを画像として挿入しています。
　ただ、この形では当然文字を拡大することはできませんし、将来的にはアクセシビリティ対応にも支障をきたしそうです。

　そこで、InDesign内の表組みをCSV経由でXHTMLに変換することを考えてみました。CSV（カンマ区切りテキスト）は、ExcelやKeynoteから書き出して生成することができますので、InDesign内の表をコピーしてExcel等にペーストし、CSV形式で書き出してPerlで変換するという流れでワークフロー化することができます。Excel等の表計算ソフトであれば、比較的簡単に表の内容の編集・整理が可能ですので、かなり柔軟な処理ができると思います。

　PerlでCSVを扱う際に問題になるのは各項目の分割（パース）で、項目内にカンマが含まれていないなら普通にsplit関数で分割できるのですが、含まれている場合には結構面倒なことになりますので、今回は素直にCSV用のモジュール「Text::CSV_XS」を使いました。cpanminusがインストール済みの環境であれば、ターミナルで

sudo cpanm Text::CSV_XS

　と入力すればインストールできるはずです。

　また、今回出力するXHTMLファイルは最初の項目と次の項目を全角スペース区切りで並べ、次行との区別のためにぶら下がりインデントを指定する形にしてみました。表ではなくなってしまいますが、これならばまあ表示できないビューアはありません。本当はtable要素なりdiv要素のdisplay:table指定なりを使いたいところですが、現状ではまあ仕方ありません。

　変換元データはこんな感じ。なお今回はPerl側で変換元の文字コードにUTF-8を指定しています。ExcelからCSVを出力した場合はShift_Jisで出力されるようですので、一度テキストエディタで開いて文字コードを変換する必要があります。なお、今回利用したNumbersでは出力時に文字コードを指定できる模様です。

　スクリプト的には外部からXHTMLのテンプレートを読み込む形にしても良いのですが、今回はコンパクトにしたかったのでソースコード内部に直にテンプレートを記述する形にしています。こういうのを「ヒアドキュメント」と呼ぶらしいです（初めて使いましたよ）。まあ可読性も良いですし悪くない形かなと思っています。以下が変換スクリプトになります。これに引数としてCSVファイルを食わせてやればXHTMLファイルを出力します。

#! /usr/bin/perl
use utf8;
use Encode qw/encode decode/;
use Text::CSV_XS;

######################↓↓↓テンプレート（各行）↓↓↓######################
my $innerTemplate = <<'EOS';
<div class="h-indent-1em">
<p><span class="bold">XXXfirstitemXXX</span>　XXXseconditemXXX</p>
</div>
EOS
######################↑↑↑テンプレート（各行）↑↑↑######################

######################↓↓↓テンプレート（ヘッダフッタ）↓↓↓######################
my $outerTemplate = <<'EOS';
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html>
<html
 xmlns="http://www.w3.org/1999/xhtml"
 xmlns:epub="http://www.idpf.org/2007/ops"
 xml:lang="ja"
 class="vrtl"
>
<head>
<meta charset="UTF-8"/>
<title>作品名</title>
<link rel="stylesheet" type="text/css" href="../style/book-style.css"/>
</head>
<body class="p-text">
<div class="main">

XXXinnerstringXXX
</div>
</body>
</html>
EOS
######################↑↑↑テンプレート（ヘッダフッタ）↑↑↑######################

######################↓↓↓メイン部分↓↓↓######################
#変換Textファイルのパスを取得
my $convertCsvFilePath = $ARGV[0];
$convertCsvFilePath = decode('UTF-8', $convertCsvFilePath);

#出力ファイルパスの定義
my $exportXhtmlFilePath = $convertCsvFilePath;
$exportXhtmlFilePath =~ s@\.csv$@\.xhtml@;

#各テキストファイルを展開、置換
open(IN,"$convertCsvFilePath");
#改行コードの統一処理
@eachLineTxts = <IN>;
$eachLineTxt = join("",@eachLineTxts);
$eachLineTxt =~ s@\x0D\x0A@\x0D@g;
$eachLineTxt =~ s@\x0A@\x0D@g;
@eachLineTxts = split("\x0D",$eachLineTxt);
$joinedTxt = join("\x0D\x0A",@eachLineTxts);
$joinedTxt = decode('UTF-8', $joinedTxt);
close (IN);
#置換処理
my $replacedTxt = & textReplace ($joinedTxt);
#出力
$replacedTxt = encode('UTF-8', $replacedTxt);
open(OUT,"> $exportXhtmlFilePath");
print OUT $replacedTxt;
close (OUT);
exit;
######################↑↑↑メイン部分↑↑↑######################

######################↓↓↓変換サブルーチン↓↓↓######################
sub textReplace {
#置換テキストの取得
$_ = $_[0];

#各行の置換処理
my @generatedLine;
my @eachlines = split(/\x0D\x0A/,$_);

foreach $eachline(@eachlines){
  #Text::CSV_XSでcsvをパースして各パラメータを取り出す
  my $csvRef = Text::CSV_XS->new;
  $csvRef->parse($eachline);
  my @eachparameters = $csvRef->fields;
  my $firstItem = $eachparameters[0];
  my $secondItem = $eachparameters[1];
  #空欄なら処理せず、空欄でなければ各行テンプレートと合成
  my $processingString = $innerTemplate;
  if ($firstItem eq ""){
    next;
  } else {
    $processingString =~ s@XXXfirstitemXXX@$firstItem@;
  }
  if ($secondItem eq ""){
    next;
  } else {
    $processingString =~ s@XXXseconditemXXX@$secondItem@;
  }
  push (@generatedLine,$processingString);
}
#各行を結合
$innerString = join("<p><br /></p>\x0D\x0A",@generatedLine);
#ヘッダフッタ部分を合成
$_ = $outerTemplate;
$_ =~ s@XXXinnerstringXXX@$innerString@;

return $_;
}
######################↑↑↑変換サブルーチン↑↑↑######################

100

101

102

103

104

105

106

107

#! /usr/bin/perl

use utf8;

use Encode qw/encode decode/;

use Text::CSV_XS;

######################↓↓↓テンプレート（各行）↓↓↓######################

my $innerTemplate = <<'EOS';

<p><span class="bold">XXXfirstitemXXX</span>　XXXseconditemXXX</p>

</div>

EOS

######################↑↑↑テンプレート（各行）↑↑↑######################

######################↓↓↓テンプレート（ヘッダフッタ）↓↓↓######################

my $outerTemplate = <<'EOS';

<?xml version="1.0" encoding="UTF-8"?>

<!DOCTYPE html>

<html

xmlns="http://www.w3.org/1999/xhtml"

xmlns:epub="http://www.idpf.org/2007/ops"

xml:lang="ja"

class="vrtl"

<head>

</head>

XXXinnerstringXXX

</div>

</body>

</html>

EOS

######################↑↑↑テンプレート（ヘッダフッタ）↑↑↑######################

######################↓↓↓メイン部分↓↓↓######################

#変換Textファイルのパスを取得

my $convertCsvFilePath = $ARGV[0];

$convertCsvFilePath = decode('UTF-8', $convertCsvFilePath);

#出力ファイルパスの定義

my $exportXhtmlFilePath = $convertCsvFilePath;

$exportXhtmlFilePath =~ s@\.csv$@\.xhtml@;

#各テキストファイルを展開、置換

open(IN,"$convertCsvFilePath");

#改行コードの統一処理

@eachLineTxts = <IN>;

$eachLineTxt = join("",@eachLineTxts);

$eachLineTxt =~ s@\x0D\x0A@\x0D@g;

$eachLineTxt =~ s@\x0A@\x0D@g;

@eachLineTxts = split("\x0D",$eachLineTxt);

$joinedTxt = join("\x0D\x0A",@eachLineTxts);

$joinedTxt = decode('UTF-8', $joinedTxt);

close (IN);

#置換処理

my $replacedTxt = & textReplace ($joinedTxt);

#出力

$replacedTxt = encode('UTF-8', $replacedTxt);

open(OUT,"> $exportXhtmlFilePath");

print OUT $replacedTxt;

close (OUT);

exit;

######################↑↑↑メイン部分↑↑↑######################

######################↓↓↓変換サブルーチン↓↓↓######################

sub textReplace {

#置換テキストの取得

$_ = $_[0];

#各行の置換処理

my @generatedLine;

my @eachlines = split(/\x0D\x0A/,$_);

foreach $eachline(@eachlines){

#Text::CSV_XSでcsvをパースして各パラメータを取り出す

my $csvRef = Text::CSV_XS->new;

$csvRef->parse($eachline);

my @eachparameters = $csvRef->fields;

my $firstItem = $eachparameters[0];

my $secondItem = $eachparameters[1];

#空欄なら処理せず、空欄でなければ各行テンプレートと合成

my $processingString = $innerTemplate;

if ($firstItem eq ""){

next;

} else {

$processingString =~ s@XXXfirstitemXXX@$firstItem@;

}

if ($secondItem eq ""){

next;

} else {

$processingString =~ s@XXXseconditemXXX@$secondItem@;

}

push (@generatedLine,$processingString);

}

#各行を結合

$innerString = join("<p><br /></p>\x0D\x0A",@generatedLine);

#ヘッダフッタ部分を合成

$_ = $outerTemplate;

$_ =~ s@XXXinnerstringXXX@$innerString@;

return $_;

}

######################↑↑↑変換サブルーチン↑↑↑######################

　出力結果はこんな感じ。

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html>
<html
 xmlns="http://www.w3.org/1999/xhtml"
 xmlns:epub="http://www.idpf.org/2007/ops"
 xml:lang="ja"
 class="vrtl"
>
<head>
<meta charset="UTF-8"/>
<title>作品名</title>
<link rel="stylesheet" type="text/css" href="../style/book-style.css"/>
</head>
<body class="p-text">
<div class="main">

<div class="h-indent-1em">
<p><span class="bold">項目1</span>　内容テキスト入る1</p>
</div>
<p><br /></p>
<div class="h-indent-1em">
<p><span class="bold">項目2</span>　内容テキスト入る2</p>
</div>
<p><br /></p>
<div class="h-indent-1em">
<p><span class="bold">項目3</span>　内容テキスト入る3</p>
</div>
<p><br /></p>
<div class="h-indent-1em">
<p><span class="bold">項目4</span>　内容テキスト入る4</p>
</div>
<p><br /></p>
<div class="h-indent-1em">
<p><span class="bold">項目5</span>　内容テキスト入る5</p>
</div>

</div>
</body>
</html>

<?xml version="1.0" encoding="UTF-8"?>

<!DOCTYPE html>

<html

xmlns="http://www.w3.org/1999/xhtml"

xmlns:epub="http://www.idpf.org/2007/ops"

xml:lang="ja"

class="vrtl"

<head>

</head>

<p><span class="bold">項目1</span>　内容テキスト入る1</p>

</div>

<p><span class="bold">項目2</span>　内容テキスト入る2</p>

</div>

<p><span class="bold">項目3</span>　内容テキスト入る3</p>

</div>

<p><span class="bold">項目4</span>　内容テキスト入る4</p>

</div>

<p><span class="bold">項目5</span>　内容テキスト入る5</p>

</div>

</body>

</html>

　できたできた。

　やっていることは比較的単純で、読み込んだCSVファイルの各行の項目をモジュールで分割し、各行のテンプレートに入れ込む処理をしてから合成済みのテキストを配列に収納し、最後に配列内の各行を結合しています。その後でヘッダフッタを合成。テンプレート部分を書き換えるだけでそれなりに便利に使えるかと思います。いずれEPUBでテーブルが普通に使用できるようになったとしても、まあ応用は効きそうかなと思っています。

（2014.9.16）

タグ: csv, Perl, table, 表組み
カテゴリー: 未分類 | コメントはまだありません »