196 lines
11 KiB
Markdown
196 lines
11 KiB
Markdown
# Разделяне на произволен текст на секции
|
||
|
||
Този документ описва **реалното** поведение на RIP Help System при разделяне на help-файл на секции. Източникът е `help_processor.py` след последните корекции (вкл. `merge_short_sections`). Не е маркетингово резюме.
|
||
|
||
Генерирането на ключови думи е **извън обхвата**, освен един ред в края.
|
||
|
||
За да прегенерираш PDF-а:
|
||
|
||
```
|
||
python docs/md_to_pdf.py
|
||
```
|
||
|
||
---
|
||
|
||
## 1. Място в обработката
|
||
|
||
За всеки файл `process_file()` прави:
|
||
|
||
1. Избира парсер по разширение (`.html` / `.htm`, `.docx`, `.doc`, `.pdf`, `.txt`).
|
||
2. Парсерът връща списък от `Section(title, text, level, images, html_text)`.
|
||
3. Върху списъка се вика `merge_short_sections()`.
|
||
4. Празните блокове се филтрират при запис; заглавие без тяло се запазва (виж §8).
|
||
|
||
ZIP не е формат за разделяне: разопакова се и всеки вътрешен файл минава по същия път.
|
||
|
||
Нива: `1` = H1, `2` = H2, `3` = H3 (по-дълбоки HTML/Word заглавия се режат до 3), `0` = без заглавие.
|
||
|
||
---
|
||
|
||
## 2. Какво е граница на секция
|
||
|
||
**Граница = открито заглавие.** Текущата секция се затваря (`flush`) и започва нова. Текстът на заглавието става `title` и **не** се копира в тялото на секцията.
|
||
|
||
Всичко, което не е заглавие — параграфи, списъци, таблици, картинки — се добавя към **текущата** секция. Таблица никога не отваря нова секция.
|
||
|
||
Ако преди първото заглавие има съдържание, то образува секция с **празно** `title`.
|
||
|
||
Ако парсерът не открие нито една секция, файлът става **една** секция без заглавие, с целия извлечен текст.
|
||
|
||
---
|
||
|
||
## 3. Word (.docx)
|
||
|
||
Обхождат се децата на `w:body` в document-order: параграфи **и** таблици (`_iter_docx_blocks`). Стандартният `Document.paragraphs` пропуска таблиците, затова не се ползва за сегментиране.
|
||
|
||
### 3.1. Стилово заглавие
|
||
|
||
`_docx_heading_level()` гледа `style_id` и `style.name`, после `base_style` нагоре по веригата. Токенът се нормализира (без интервали, `_`, `-`, без значение на регистъра).
|
||
|
||
Разпознават се поне:
|
||
|
||
| Токен (примери) | Ниво |
|
||
|---|---|
|
||
| Heading 1 / heading1 | 1 |
|
||
| Heading 2 / 3 | 2 / 3 |
|
||
| Title | 1 |
|
||
| Subtitle | 2 |
|
||
| **Заглавие** / **Заглавие 1** | 1 |
|
||
| Заглавие 2 / 3 | 2 / 3 |
|
||
| Подзаглавие | 2 |
|
||
| Наименование | 1 |
|
||
| Überschrift / Überschrift 1 | 1 |
|
||
| MsoHeading1 / 2 / 3 | 1 / 2 / 3 |
|
||
|
||
Число над 3 се ограничава до 3. `Subtitle` / `Подзаглавие` без цифра → ниво 2; останалите именувани стилове без цифра → ниво 1.
|
||
|
||
Ако стилът не е heading, има fallback: Word `outlineLvl` 0–2 **и** текст под 120 символа → ниво = `outlineLvl + 1`.
|
||
|
||
### 3.2. Bold като заглавие
|
||
|
||
Ако няма стилово ниво, параграфът се приема за заглавие ниво 2, когато:
|
||
|
||
- видимият текст е непразен и ≤ 120 символа;
|
||
- всички run-ове с текст са **bold**;
|
||
- стилът **не** започва с `list`;
|
||
- в параграфа **няма** картинки.
|
||
|
||
### 3.3. Таблици и картинки
|
||
|
||
Таблица: всеки ред се сплесква до `клетка | клетка | клетка` и редовете се добавят в тялото на текущата секция.
|
||
|
||
Картинки в параграф: записват се като `[IMG: img_NN]` в същото тяло.
|
||
|
||
Празен параграф без картинка се пропуска.
|
||
|
||
### 3.4. Fallback
|
||
|
||
Ако след обхождането няма секции: една секция от всички непразни параграфи; ако и те са празни — от таблиците.
|
||
|
||
---
|
||
|
||
## 4. Стар .doc
|
||
|
||
Конвертира се към `.docx` с LibreOffice (`soffice`) или, на Windows, MS Word през COM. После се вика същият `parse_docx`. Ако и двете конверсии пропаднат, файлът се чете като обикновен текст (`parse_txt`).
|
||
|
||
---
|
||
|
||
## 5. HTML / HTM (вкл. Word „Запиши като уеб“)
|
||
|
||
Премахват се `script`, `style`, `nav`, `footer`, `header`, `noscript`.
|
||
|
||
Събират се **top-level** блокове: `h1`–`h6`, `p`, `ul`, `ol`, `table`, `dl`, `pre`, `blockquote`, `figure`, `hr`, самостоятелни `img`, и `div` **само** ако изглежда като заглавие. Вложен блок не се обработва втори път.
|
||
|
||
### 5.1. Заглавие
|
||
|
||
1. Тагове: `h1`→1, `h2`→2, `h3`–`h6`→3.
|
||
2. CSS class съдържа `heading`, `заглавие`, `title`, `subtitle`, `msoheading` или `überschrift`, с опционална цифра. Така `MsoHeading1` / `MsoNormal` **не** се бъркат: само heading-класовете режат секция. Пример: Word HTML `<p class="MsoHeading1">`.
|
||
3. `p` или `div` с текст < 120 символа, изцяло обвит в `<b>` / `<strong>` → ниво 2.
|
||
|
||
### 5.2. Съдържание
|
||
|
||
Списъци и таблици влизат в текущата секция. В plain text редовете им са с нов ред (не сплескани в един ред). Декоративни атрибути (`class`, `style`, `on*`, `data-*` …) се махат от запазения HTML.
|
||
|
||
Картинки: локални и `data:` URI; HTTP(S) се пропускат. Дребни иконки под 50×50 px се изхвърлят.
|
||
|
||
Ако няма нито една секция: цялото `body` като една секция без заглавие.
|
||
|
||
---
|
||
|
||
## 6. Обикновен текст (.txt)
|
||
|
||
Кодирането се детектира с chardet.
|
||
|
||
Ред е граница, ако след `strip()`:
|
||
|
||
- съвпада с Markdown заглавие `#{1,3} текст` — нивото е броят `#`, заглавието е текстът след тях; **или**
|
||
- съвпада с номерирано заглавие: `1. …`, `2) …`, `I. …`, `А. …` (1–2 цифри / римски / една главна буква, после `.` или `)`), дължина на реда < 120.
|
||
|
||
Всички останали редове отиват в тялото (десният край се реже, водещите интервали се пазят).
|
||
|
||
Ако няма такива редове: **една** секция с целия файл.
|
||
|
||
---
|
||
|
||
## 7. PDF
|
||
|
||
Няма стилове. Текстът се събира като визуални редове по Y (не по PDF stream), буквите от drop-cap се слепват, сплескани списъци от вида `1 Foo 2 Bar` се разбиват на редове.
|
||
|
||
Граница: група редове с почти еднакъв размер на шрифта, ако размерът е **по-голям от предишния с повече от 1 pt** и текстът е **под 150 символа** → нова секция, ниво 2.
|
||
|
||
Това е по-ненадеждно от Word/HTML. Картинките се кропват от страницата и се редят в текущата секция по вертикална позиция.
|
||
|
||
---
|
||
|
||
## 8. Сливане на кратки секции (`merge_short_sections`)
|
||
|
||
Константа: `MIN_SECTION_TOKENS = 60` (думи в **тялото**, `str.split()`).
|
||
|
||
Правило след последните корекции:
|
||
|
||
- Секция **с непразно заглавие** **не се слива**, дори тялото да е късо или празно.
|
||
- Секция **без заглавие** и с под 60 думи се залепва към предишната (текст, картинки, HTML).
|
||
- Няма предишна секция → късият untitled блок остава сам.
|
||
|
||
Следствия:
|
||
|
||
- Последователни заглавия без тяло („Глава 1“ веднага следвано от „1.1 Увод“) остават **две** секции.
|
||
- Къс абзац без заглавие след секция се присъединява към нея, вместо да стане отделен къс запис.
|
||
- Untitled текст в началото на файла остава отделна секция (докато не е под прага *и* няма към какво да се слее — първият елемент не се слива).
|
||
|
||
При запис в `process_file()`:
|
||
|
||
- Ако няма текст, картинки и HTML, но има заглавие → тялото става самото заглавие. Затова „голо“ заглавие оцелява като секция.
|
||
- Ако няма нито текст, нито заглавие, нито картинки → секцията се пропуска.
|
||
|
||
`clean_text()` срива поредици от интервали/табове, но пази нови редове (списъци и абзаци).
|
||
|
||
---
|
||
|
||
## 9. Текст без заглавие
|
||
|
||
Типични случаи:
|
||
|
||
- Увод преди първия Heading 1.
|
||
- HTML/DOCX без нито едно разпознато заглавие → целият файл е една untitled секция.
|
||
- TXT без markdown/номерация.
|
||
- Къс untitled остатък след заглавие се слива с предишната секция (§8).
|
||
|
||
Празното `title` по-късно се попълва от класификатора (извън този документ).
|
||
|
||
---
|
||
|
||
## 10. Таблици — обобщение
|
||
|
||
| Формат | Поведение |
|
||
|---|---|
|
||
| DOCX | Редове `a \| b \| c` в текущата секция; не са граница |
|
||
| HTML | Целият `<table>` е блок в текущата секция |
|
||
| TXT / PDF | Няма отделен table parser; таблицата е просто текст/редове |
|
||
|
||
---
|
||
|
||
## 11. Ключови думи (един ред)
|
||
|
||
След като секциите са вече разделени, всяка получава заглавие и ключови думи чрез Claude или fallback; ръчните думи от таб „Сканиране“ се записват първи във всяка секция.
|