require 'nokogiri'
module Hitomalu
class Formatter
CONTENT_NO_MODIFY_TAGS = [ 'pre' ]
# cf. https://developer.mozilla.org/ja/docs/Web/HTML/Inline_elements
# rp と rt は上に記載がないが、改行させたくないので追加
INLINE_TAGS = [ 'a', 'abbr', 'acronym', 'audio', 'b', 'bdi', 'bdo', 'big', 'br', 'button', 'canvas', 'cite', 'code', 'data', 'datalist', 'del', 'dfn', 'em', 'embed', 'i', 'iframe', 'img', 'input', 'ins', 'kbd', 'label', 'map', 'mark', 'meter', 'noscript', 'object', 'output', 'picture', 'progress', 'q', 'rp', 'rt', 'ruby', 's', 'samp', 'script', 'select', 'slot', 'small', 'span', 'strong', 'sub', 'sup', 'svg', 'template', 'textarea', 'time', 'u', 'tt', 'var', 'video', 'wbr' ]
def self.format(html)
# 改行コード \n を \r\n に統一しておく
html = html.gsub(/(? をつけておいてしまう (元から含まれる を消して、開始タグの直後につける)
html = html.gsub(/<\s*\/\s*wbr\s*>/, "").gsub(/<\s*wbr\s*>/, "")
doc = Nokogiri::HTML.parse(html)
# body で全体が囲われていないと、最上層に兄弟ノードを追加できないのでHTMLFragmentでは不可
body = doc.at_css('body')
body.traverse { |node|
# 中身がないと、li などの閉じタグ省略可能なタグについてNokogiriが閉じタグ省略を行い、整形をかけるたびに閉じタグがついたりなくなったりするので、
# 中身がないかスペースだけの場合、仮文字列にして最後に空文字列に置換する
# ただし、 
のようなインライン要素の間のスペースと改行は保持する必要があるので保持する。
# の中に |mykaramojiretsu| を入れるために + ではなく * が必要
if /\A[ ]*\Z/.match?(node.content) && (node.previous_sibling.nil? || !INLINE_TAGS.include?(node.previous_sibling.name))
node.content = "|mykaramojiretsu|"
end
# インライン要素は、ブロック内先頭やテキストノードやインライン要素の次では改行しない
# (前がブロック要素の終わりやコメントノードだと改行する)
if INLINE_TAGS.include?(node.name) && (node.previous_sibling.nil? || (node.previous_sibling.instance_of?(Nokogiri::XML::Text) || INLINE_TAGS.include?(node.previous_sibling.name)))
node.add_previous_sibling("|nobreakline|")
end
# タグ間の改行やスペースを消す(前がインライン要素でなければ)
if /\A[\s]+\Z/.match?(node.to_s)
if !node.previous_sibling.nil? && INLINE_TAGS.include?(node.previous_sibling.name)
# 前がインライン要素なら、複数改行(スペース混じりも)を改行1つにしておく。また連続スペースを1つにする
if /\r\n/.match?(node.content)
node.content = node.content.gsub(/(\s)+/, "|mykaigyo|")
end
node.content = node.content.gsub(/ {2,}/, " ").gsub(' ', '|myspace|')
else
node.content = ""
end
end
# \n を \n のままにしたいが、Nokogiri は閉じタグ間の\nを消すので一旦 |mykaigyo| にする (整形を2回かけた時用)
if node.instance_of?(Nokogiri::XML::Element) && !node.next_sibling.nil? && /\A\s*(\n|\r\n)\s*\Z/.match?(node.next_sibling.content) && node.next_sibling.next_sibling.nil?
node.next_sibling.content = "|mykaigyo|"
end
# タグの中身を整形する(見やすくするため)
if node.instance_of?(Nokogiri::XML::Text) && !CONTENT_NO_MODIFY_TAGS.include?(node.parent.name)
node.content = node.content.strip.gsub(/\s{2,}/, " ")
end
# 閉じタグとテキストノードの間に改行がなければ入れる(見やすくするため)
# (前がインライン要素以外なら。 <- 補足: 今回の場合、テキストノードは1つにまとめられるので、テキストノードの前にテキストノードは来ない...ので判定不要 )
if node.instance_of?(Nokogiri::XML::Text) && !node.previous_sibling.nil? && !/^(\n|\r\n|\|mykaigyo\||\|mykaramojiretsu\||\|nobreakline\||\|myspace\|)+.*$/.match?(node.content) && !INLINE_TAGS.include?(node.previous_sibling.name)
if !node.previous_sibling.content.eql?("|nobreakline|")
node.content = "\r\n" + node.to_s
end
end
}
# Nokogiriが勝手につけるを消して、本物の空文字列にして、改行用文字列を本物の改行にして、要らないbodyタグを消し、全体の先頭と最後に改行が付くので消す
# さらに、Nokogiriがつける改行コード \n も \r\n に統一しておく
body_str = body.to_s.gsub(/(\|mykaigyo\|)+/, "\r\n").gsub('|myspace|', ' ').gsub(/(<\/wbr>|\|mykaramojiretsu\||\A(\n|\r\n)*|(\n|\r\n)*<\/body>\Z)/, "").gsub(/(? のような閉じタグの間に改行が無かったら改行を入れる (Nokogiri の add_next_sibling は 20000回するとメモリを6GB以上使うので文字列処理でやる)
# ただし、の前には入れない(などの短いインライン要素が来るため)
prev_str = ""
while body_str != prev_str do
prev_str = body_str
body_str = body_str.gsub(/(<\/[a-z]+>)(<\/(?!ruby))/, "\\1\r\n\\2")
end
# 開始タグの前に改行がなければ改行を入れる (add_prev_sibling は重いので文字列処理でやる) (文章の先頭からは消す)
# その後、使い終わった改行しない印を消す
body_str = body_str.gsub(/(? や
や の後ろに改行がなければ改行を入れる (add_next_sibling は重いので文字列処理でやる)
body_str = body_str.gsub(/(<(?:br|hr|col)>)(?!\r\n)/, "\\1\r\n")
end
end
end