--- /dev/null
+/*
+ * entity converter
+ *
+ * License : The MIT License
+ * Copyright(c) 2009 olyutorskii
+ */
+
+package jp.osdn.jindolf.parser;
+
+import java.util.Arrays;
+import java.util.Collections;
+import java.util.List;
+import java.util.regex.Matcher;
+import java.util.regex.Pattern;
+import jp.osdn.jindolf.parser.content.DecodedContent;
+
+/**
+ * 人狼BBSで用いられる4種類のXHTML文字実体参照の
+ * 解決を伴う{@link DecodedContent}の切り出しを行う。
+ *
+ * <p>文字実体参照は{@code > < " &}が対象。
+ *
+ * <p>U+005C(バックスラッシュ)をU+00A5(円通貨)に直す処理も行われる。
+ * ※ 人狼BBS(F国以前)はShift_JIS(⊃JISX0201)で運営されているので、
+ * バックスラッシュは登場しないはず。
+ * ※ が、バックスラッシュを生成するShift_JISデコーダは存在する。
+ *
+ * <p>指示によりサロゲートペア上位下位の並びを
+ * 単一疑問符?に直す処理も可能。
+ * {@link java.lang.Character#MIN_SUPPLEMENTARY_CODE_POINT}
+ * {@link java.lang.Character#MAX_CODE_POINT}
+ *
+ * <p>マルチスレッドには非対応。
+ */
+public class EntityConverter{
+
+ private static final char DQ_CH = '"';
+ private static final String DQ_STR = Character.toString(DQ_CH);
+ private static final String YEN_STR = "\u00a5";
+
+ private static final char BS_CH = '\u005c\u005c';
+ private static final String BS_STR = Character.toString(BS_CH);
+ private static final String BS_PATTERN = BS_STR + BS_STR;
+
+ private static final String UCS4_PATTERN = "[\\x{10000}-\\x{10ffff}]";
+
+ private static final RepInfo GT = new RepInfo(">", ">");
+ private static final RepInfo LT = new RepInfo("<", "<");
+ private static final RepInfo AMP = new RepInfo("&", "&");
+ private static final RepInfo QUAT = new RepInfo(""", DQ_STR);
+ private static final RepInfo BS = new RepInfo(BS_PATTERN, YEN_STR);
+ private static final RepInfo UCS4 = new RepInfo(UCS4_PATTERN, "?");
+
+
+ private final MultiMatcher multiMatcher = new MultiMatcher();
+
+ {
+ this.multiMatcher.putRepInfo(GT, LT, AMP, QUAT, BS, UCS4);
+ }
+
+ private final boolean replaceSmp;
+
+
+ /**
+ * コンストラクタ。
+ *
+ * <p>SMP面文字の代替処理は行われない。
+ */
+ public EntityConverter(){
+ this(false);
+ return;
+ }
+
+ /**
+ * コンストラクタ。
+ *
+ * @param replaceSmp SMP面文字を代替処理するならtrue
+ */
+ public EntityConverter(boolean replaceSmp){
+ super();
+ this.replaceSmp = replaceSmp;
+ return;
+ }
+
+
+ /**
+ * XHTML文字実体参照の変換を行う。
+ *
+ * @param srcContent 変換元文書
+ * @return 切り出された変換済み文書
+ */
+ public DecodedContent convert(DecodedContent srcContent){
+ int startPos = 0;
+ int endPos = srcContent.length();
+ return append(null, srcContent, startPos, endPos);
+ }
+
+ /**
+ * XHTML文字実体参照の変換を行う。
+ *
+ * @param srcContent 変換元文書
+ * @param range 範囲指定
+ * @return 切り出された変換済み文書
+ * @throws IndexOutOfBoundsException 位置指定に不正があった
+ */
+ public DecodedContent convert(DecodedContent srcContent, SeqRange range)
+ throws IndexOutOfBoundsException{
+ int startPos = range.getStartPos();
+ int endPos = range.getEndPos();
+ return append(null, srcContent, startPos, endPos);
+ }
+
+ /**
+ * XHTML文字実体参照の変換を行う。
+ *
+ * @param srcContent 変換元文書
+ * @param startPos 開始位置
+ * @param endPos 終了位置
+ * @return 切り出された変換済み文書
+ * @throws IndexOutOfBoundsException 位置指定に不正があった
+ */
+ public DecodedContent convert(DecodedContent srcContent,
+ int startPos, int endPos)
+ throws IndexOutOfBoundsException{
+ return append(null, srcContent, startPos, endPos);
+ }
+
+ /**
+ * XHTML文字実体参照の変換を行い既存のDecodedContentに追加を行う。
+ *
+ * @param dstContent 追加先文書。nullなら新たな文書が用意される。
+ * @param srcContent 変換元文書
+ * @return dstContentもしくは新規に用意された文書
+ * @throws IndexOutOfBoundsException 位置指定に不正があった
+ */
+ public DecodedContent append(DecodedContent dstContent,
+ DecodedContent srcContent)
+ throws IndexOutOfBoundsException{
+ int startPos = 0;
+ int endPos = srcContent.length();
+ return append(dstContent, srcContent, startPos, endPos);
+ }
+
+ /**
+ * XHTML文字実体参照の変換を行い既存のDecodedContentに追加を行う。
+ *
+ * @param dstContent 追加先文書。nullなら新たな文書が用意される。
+ * @param srcContent 変換元文書
+ * @param range 範囲指定
+ * @return dstContentもしくは新規に用意された文書
+ * @throws IndexOutOfBoundsException 位置指定に不正があった
+ */
+ public DecodedContent append(DecodedContent dstContent,
+ DecodedContent srcContent,
+ SeqRange range )
+ throws IndexOutOfBoundsException{
+ int startPos = range.getStartPos();
+ int endPos = range.getEndPos();
+ return append(dstContent, srcContent, startPos, endPos);
+ }
+
+ /**
+ * XHTML文字実体参照の変換を行い既存のDecodedContentに追加を行う。
+ *
+ * @param dstContent 追加先文書。nullなら新たな文書が用意される。
+ * @param srcContent 変換元文書
+ * @param startPos 開始位置
+ * @param endPos 終了位置
+ * @return dstContentもしくは新規に用意された文書
+ * @throws IndexOutOfBoundsException 位置指定に不正があった
+ */
+ public DecodedContent append(DecodedContent dstContent,
+ DecodedContent srcContent,
+ int startPos, int endPos)
+ throws IndexOutOfBoundsException{
+ if( startPos > endPos
+ || startPos < 0
+ || srcContent.length() < endPos){
+ throw new IndexOutOfBoundsException();
+ }
+
+ DecodedContent result;
+ if(dstContent == null){
+ int length = endPos - startPos;
+ result = new DecodedContent(length);
+ }else{
+ result = dstContent;
+ }
+
+ CharSequence rawContent = srcContent.getRawContent();
+ this.multiMatcher.setText(rawContent, startPos, endPos);
+
+ int copiedPos = startPos;
+
+ for(;;){
+ RepInfo repInfo = this.multiMatcher.multiFind();
+ if(repInfo == null) break;
+ if(repInfo == UCS4 && ! this.replaceSmp){
+ continue;
+ }
+
+ int matchStart = this.multiMatcher.getMatchStart();
+ int matchEnd = this.multiMatcher.getMatchEnd();
+ result.append(srcContent, copiedPos, matchStart);
+
+ String altTxt = repInfo.getAltTxt();
+ result.append(altTxt);
+
+ copiedPos = matchEnd;
+ }
+
+ result.append(srcContent, copiedPos, endPos);
+
+ return result;
+ }
+
+
+ /**
+ * 同時に複数の正規表現をOR探索するマッチャ。
+ */
+ private static class MultiMatcher{
+
+ private static final char REGEX_OR = '|';
+ private static final char REGEX_GRPOPEN = '(';
+ private static final char REGEX_GRPCLOSE = ')';
+
+
+ private List<RepInfo> repInfoList;
+ private Pattern orPattern;
+
+ private Matcher matcher;
+
+ private int matchStart = -1;
+ private int matchEnd = -1;
+
+
+ /**
+ * コンストラクタ。
+ */
+ MultiMatcher(){
+ super();
+ return;
+ }
+
+
+ /**
+ * 置換情報を設定する。
+ *
+ * <p>先頭の置換情報の方が優先的にマッチングされる。
+ *
+ * @param infos 置換情報並び
+ */
+ void putRepInfo(RepInfo... infos){
+ List<RepInfo> list;
+ list = Arrays.asList(infos);
+ list = Collections.unmodifiableList(list);
+ this.repInfoList = list;
+
+ StringBuilder orRegex = new StringBuilder();
+ for(RepInfo repInfo : this.repInfoList){
+ String regex = repInfo.getRegex();
+
+ if(orRegex.length() != 0) orRegex.append(REGEX_OR);
+ orRegex.append(REGEX_GRPOPEN);
+ orRegex.append(regex);
+ orRegex.append(REGEX_GRPCLOSE);
+ }
+ this.orPattern = Pattern.compile(orRegex.toString());
+
+ this.matcher = this.orPattern.matcher("");
+ this.matchStart = -1;
+ this.matchEnd = -1;
+
+ return;
+ }
+
+ /**
+ * 走査対象を設定する。
+ *
+ * @param seq 対象文字列
+ * @param startPos 走査開始位置
+ * @param endPos 走査終了位置
+ * @throws IllegalStateException 置換情報が未設定
+ */
+ void setText(CharSequence seq, int startPos, int endPos){
+ if(this.matcher == null) throw new IllegalStateException();
+
+ this.matcher.reset(seq);
+ this.matcher.region(startPos, endPos);
+
+ this.matchStart = -1;
+ this.matchEnd = -1;
+
+ return;
+ }
+
+ /**
+ * マッチ開始位置を返す。
+ *
+ * @return 開始位置
+ */
+ int getMatchStart(){
+ return this.matchStart;
+ }
+
+ /**
+ * マッチ終了位置を返す。
+ *
+ * @return 終了位置
+ */
+ int getMatchEnd(){
+ return this.matchEnd;
+ }
+
+ /**
+ * 同時に複数の正規表現とのマッチングを試みるための走査を行う。
+ *
+ * <p>マッチングに伴いマッチ開始位置と終了位置が更新される。
+ *
+ * @return 最初にマッチングした正規表現。
+ * マッチングしなければnullを返す。
+ * @throws IllegalStateException 置換情報が未設定
+ */
+ RepInfo multiFind(){
+ if(this.repInfoList == null || this.matcher == null){
+ throw new IllegalStateException();
+ }
+
+ if( ! this.matcher.find()) return null;
+
+ RepInfo result = null;
+
+ int group = 1;
+ for(RepInfo rc : this.repInfoList){
+ this.matchStart = this.matcher.start(group);
+ this.matchEnd = this.matcher.end(group);
+ if(this.matchStart >= 0){
+ result = rc;
+ break;
+ }
+ group++;
+ }
+
+ return result;
+ }
+
+ }
+
+
+ /**
+ * 文字列置換設定。
+ */
+ private static class RepInfo{
+
+ private final String regex;
+ private final String altTxt;
+
+
+ /**
+ * コンストラクタ。
+ *
+ * <p>正規表現文字列に前方参照グループ記号()を含めてはならない。
+ *
+ * @param regex 置換元パターン正規表現
+ * @param altTxt 置換文字列。
+ */
+ RepInfo(String regex, String altTxt){
+ this.regex = regex;
+ this.altTxt = altTxt;
+ return;
+ }
+
+
+ /**
+ * 正規表現文字列を返す。
+ *
+ * @return 正規表現文字列
+ */
+ String getRegex(){
+ return this.regex;
+ }
+
+ /**
+ * 置換文字列を返す。
+ *
+ * @return 置換文字列
+ */
+ String getAltTxt(){
+ return this.altTxt;
+ }
+
+ }
+
+}
OSDN Git Service
