perl на читалке. Поддержка .mht

[pal]

Решил довести идею с perl до практического применения

Итак, для более-менее работащего набора модулей пришлось распаковать, кроме perl-base, perl и perl-modules. С симлинками решил не морочиться, директорию 5.10.1 переименовал в 5.10 - оказалось этого достаточно.

Какое этому есть практическое применение? Например, как организовать поддержку mht?
Есть скрипт unmht (http://www.volkerschatz.com/unix/uware/unmht.html). Для него нужны модули из liburi-perl, libhtml-parser-perl, libhtml-tagset-perl.

Чтобы файлы mht видела библиотека, добавим строчку

[Antuan]

[transient]

Спасибо! (особенно за Perl)

Только сел разбираться с mht и думал писать обработчик сам, так как на CPAN ничего хорошего не нашел -- а тут уже есть решение!!!

(Кстати, на CPAN есть пакет

http://search.cpan.org/~dami/MsOffice-Word-HTML-Writer-1.01/lib/MsOffi ce/Word/HTML/Writer.pm

который может транслировать doc, и вроде odt, в mht, может пригодится)

Я перебрал коллекцию своих mht на Покете и выяснил, что coolreader спотыкается, если основной текст "завернут" в Quoted-Printable (Mozilla unmht) или Base64 (Opera, Internet Explorer), т.е. если скажем основной текст в обычной UTF-8, то страничка вполне читаема кулридером безо всяких фокусов сразу.

Таким образом, можно сделать более простой perl-скрипт, который раскодирует лишь нужные куски и потом передаст его кулридеру.

Впрочем, сам я думал как раз о полной распаковке на составляющие файлы (и возможной переделке относительных ссылок). Надо погонять этот unmht...

[Antuan]

[transient]

Черновую тупейшую версию perl-скрипта сделал. Работает пока только на Desktop'e (Linux, Windows) и приводит к виду, читаемому coolreader'ом. С Покетовской версией поколдую, как запущу Perl на Покете и если вариант от pal'а не понравится.

Есть пока глюк -- должен бы для всех mht-файлов работать, но тестовый файл, сделанный с помощью Mozilla (unmht), Internet Explorer ( 8 ) и Opera (12) ведет себя по разному: от Internet Explorer открывается идеально, от Mozilla -- открывается, но кроме нужной информации показывает много разного мусора (не мешает особо так как лишь немного в начале и много в конце, но слишком много страниц выходит, в 3 раза больше чем в Internet Explorer). А вот от Opera -- не запускается пока не могу понять почему...

Вот код, состряпанный на скорую руку (зависимость только от стандартного пакета MIME) (под спойлером):

: Code: #!/usr/bin/perl use MIME::Base64; use MIME::QuotedPrint; $mhtfile = "test_ie.mht"; $boundary=''; $flagmainfile =0; $flagready = 0; $flagemptyline = 0; $method = ''; open(MHT, $mhtfile) || die "Can't open  $mhtfile: $!"; open(MHT2, '>2'.$mhtfile)  || die "Can't write to 2$mhtfile: $!"; while( $line0 = <MHT> ) {   $line = $line0;   if (!($flagmainfile) && ($line =~ /boundary\=/))   {     if ($line =~ /boundary\=\"*([^ ]+)\"*$/) { $boundary = $1}     else {die "Smth wrong with boundary"}; #    print $boundary;   };   $flagmainfile=1 if (!($flagmainfile) && $line =~ /Content-Type\: text\/html/);   if ( !($method) && $line =~ /Content-Transfer-Encoding/)   {     $method = 'Q' if ($line =~ /quoted-printable/i);     $method = 'B' if ($line =~ /base64/i);      #    print $method;   };   if ( $flagmainfile && !($flagemptyline) &&  $line =~ /^$/)   {     $flagemptyline = 1; print MHT2 $line0;   };   if ( $flagmainfile && $boundary && $line =~ /$boundary/ ) {$flagmainfile=0; $flagready = 1; };   if ($flagmainfile && $flagemptyline && !($flagready))   {     if ($method eq 'Q') {print MHT2 decode_qp($line)};     if ($method eq 'B') {print MHT2 decode_base64($line)};   }   else {print MHT2 $line0}; }; close(MHT); close(MHT2);

[pal]

[Antuan]

[pal]

Нет. Таким образом мы извлекаем из mht имя html-файла.
Дальше это имя дописывается к имени временного каталога. Открывать мы пытаемся таки файл с полным путем.
_________________
Кто хочет действовать, тот ищет возможности, кто не хочет — ищет причины.

[Antuan]

[pal]

[Antuan]

pal
Чем сохраняли mht? Я сохраняю их FF дополнением UnMHT.
_________________
PB 360° (v.15.3) | PB Pro 602 Grey (v.2.2.1a fastdrv) | PB A7 (v.1.3.1583) - подарок от PocketBook.

[pal]

На самом деле это прикопано в unmht
Если он не может распарсить .mht - в stdout ничего не выводится

на годном файле строчка

[transient]

Проведя дальнейшие опыты с кулридером -- выяснил, что его поддержка mht на Покете довольно мизерна (на Декстопе вроде нормальная была...) и сводится только к отображению основной html-части, все остальные части, вроде файлов css, js, gif, png ,jpg -- игнорятся.

Поэтому с одной стороны мой энтузиазм поугас, с другой -- все же неплохо разобрался с mht, формат очень простой.

По поводу кулридера и "легкой поддержки" поэтому думаю, что если хочется простого пути, то надо "на лету" выдрать html часть и декодировать ее -- т.е. сохранить базовый html во временной директории и дальше по методу pal'a читать чем хочется.

"Выдиральщик" я на основе прошлого своего скрипта написал. Работает в силу своей простоты на ура, пока на декстопе. Дальше ставим Perl на Pocket и пришиваем как pal прописал, думаю вполне сойдет для большинства случаев. Весь код ниже под спойлером:

mht2htm : Code: #!/usr/bin/perl # подгружаем пакеты для декодирования use MIME::Base64; use MIME::QuotedPrint; #$mhtfile = "test.mht"; $mhtfile = shift; # читаем имя нужного файла из аргумента $boundary=''; # тут будет метка границы между частями $flagmainfile =0; # флаг, что мы нашли основную часть (не факт, но обычно она первая) $flagemptyline = 0; # флаг, что мы нашли пустую строку перед телом файла основной части (отсюда будем декодить) $flagready = 0; # флаг, что мы закончили основную часть (уст, так как дальнейшие части не обрабатываем) $method = ''; # тут храним тип метода кодирования open(MHT, $mhtfile) || die "Can't open  $mhtfile: $!"; # читаем mht файл open(HTM, '>'.$mhtfile.'.htm')  || die "Can't write to htm: $!"; # открываем на запись htm файл while( $line = <MHT> ) # читаем построчно {   if ( !($flagready) && !($flagmainfile) && ($line =~ /boundary\=/) )   {     if ($line =~ /boundary\=\"?([^";]+)\"?\;?$/) { $boundary = $1}   # определяем метку границы     else {die "Smth wrong with boundary"}; #    print $boundary;   };   $flagmainfile=1 if ( !($flagready) && !($flagmainfile) && $line =~ /Content-Type\: text\/html/ ); # находим осн часть   if ( !($method) && $line =~ /Content-Transfer-Encoding/)   {     $method = 'Q' if ($line =~ /quoted-printable/i);  # определяем тип кодирования     $method = 'B' if ($line =~ /base64/i);      #    print $method;   };   if ( !($flagready) && $flagmainfile && !($flagemptyline) &&  $line =~ /^$/)  # находим пустую строку-разделитель, откуда начинаем дкеодирование   {     $flagemptyline = 1; # print MHT2 $line0;   };   if ( !($flagready) && $flagmainfile && $boundary && $line =~ /$boundary/ )  # если опять встретили метку -- конец   {     $flagmainfile=0; $flagready = 1; break;   };   if ( !($flagready) && $flagmainfile && $flagemptyline ) # если находимся в файле основной части, декодируем   { #    print "!";     if ($method eq 'Q') {print HTM decode_qp($line)};     if ($method eq 'B') {print HTM decode_base64($line)};   }; #  else {print MHT2 $line0}; }; close(MHT); close(HTM); print "\nOk, file $mhtfile just converted to $mhtfile.htm\n";

pal
Страшный файл air_classroom_2011Q1.mht мой скрипт сконвертировал

[pal]

Посмотрел я, на чем спотыкается unmht..
1. не учитывается, что поле boundary= может содержать кавычки

[Antuan]

[transient]

pal

2. неа, не всегда:

[Antuan]

У меня на 602-м похоже не работает перл.
Стянул заведомо нормальный D-Link.mht и поменял путь, что бы распаковывало на карту - пусто.
Нужен какой нибудь простенький скрипт на перл, что бы проверить.
_________________
PB 360° (v.15.3) | PB Pro 602 Grey (v.2.2.1a fastdrv) | PB A7 (v.1.3.1583) - подарок от PocketBook.

[transient]

вот:

[Antuan]

[transient]

ну ответ стандартный...

А чего бы не назвать perl как perl.app (копию сделать) и запустить скрипт-тест выше?