| 1 | """ |
|---|
| 2 | RTF tokenizer and token parser. v.1.01 (1/18/2010) |
|---|
| 3 | Author: Gerendi Sandor Attila |
|---|
| 4 | License: GPL3 (http://www.gnu.org/licenses/gpl-3.0.html) |
|---|
| 5 | |
|---|
| 6 | At this point this will tokenize a RTF file then rebuild it from the tokens. |
|---|
| 7 | In the process the UTF8 tokens are altered to be supported by the RTF2XML and also remain RTF specification compilant. |
|---|
| 8 | """ |
|---|
| 9 | class tokenDelimitatorStart(): |
|---|
| 10 | def __init__(self): |
|---|
| 11 | pass |
|---|
| 12 | def toRTF(self): |
|---|
| 13 | return b'{' |
|---|
| 14 | def __repr__(self): |
|---|
| 15 | return '{' |
|---|
| 16 | |
|---|
| 17 | class tokenDelimitatorEnd(): |
|---|
| 18 | def __init__(self): |
|---|
| 19 | pass |
|---|
| 20 | def toRTF(self): |
|---|
| 21 | return b'}' |
|---|
| 22 | def __repr__(self): |
|---|
| 23 | return '}' |
|---|
| 24 | |
|---|
| 25 | class tokenControlWord(): |
|---|
| 26 | def __init__(self, name, separator = ''): |
|---|
| 27 | self.name = name |
|---|
| 28 | self.separator = separator |
|---|
| 29 | def toRTF(self): |
|---|
| 30 | return self.name + self.separator |
|---|
| 31 | def __repr__(self): |
|---|
| 32 | return self.name + self.separator |
|---|
| 33 | |
|---|
| 34 | class tokenControlWordWithNumericArgument(): |
|---|
| 35 | def __init__(self, name, argument, separator = ''): |
|---|
| 36 | self.name = name |
|---|
| 37 | self.argument = argument |
|---|
| 38 | self.separator = separator |
|---|
| 39 | def toRTF(self): |
|---|
| 40 | return self.name + repr(self.argument) + self.separator |
|---|
| 41 | def __repr__(self): |
|---|
| 42 | return self.name + repr(self.argument) + self.separator |
|---|
| 43 | |
|---|
| 44 | class tokenControlSymbol(): |
|---|
| 45 | def __init__(self, name): |
|---|
| 46 | self.name = name |
|---|
| 47 | def toRTF(self): |
|---|
| 48 | return self.name |
|---|
| 49 | def __repr__(self): |
|---|
| 50 | return self.name |
|---|
| 51 | |
|---|
| 52 | class tokenData(): |
|---|
| 53 | def __init__(self, data): |
|---|
| 54 | self.data = data |
|---|
| 55 | def toRTF(self): |
|---|
| 56 | return self.data |
|---|
| 57 | def __repr__(self): |
|---|
| 58 | return self.data |
|---|
| 59 | |
|---|
| 60 | class tokenBinN(): |
|---|
| 61 | def __init__(self, data, separator = ''): |
|---|
| 62 | self.data = data |
|---|
| 63 | self.separator = separator |
|---|
| 64 | def toRTF(self): |
|---|
| 65 | return "\\bin" + repr(len(self.data)) + self.separator + self.data |
|---|
| 66 | def __repr__(self): |
|---|
| 67 | return "\\bin" + repr(len(self.data)) + self.separator + self.data |
|---|
| 68 | |
|---|
| 69 | class token8bitChar(): |
|---|
| 70 | def __init__(self, value): |
|---|
| 71 | self.value = value |
|---|
| 72 | def toRTF(self): |
|---|
| 73 | return "\\'" + hex(self.value)[2:4] |
|---|
| 74 | def __repr__(self): |
|---|
| 75 | return "\\'" + hex(self.value)[2:4] |
|---|
| 76 | |
|---|
| 77 | class tokenUnicode(): |
|---|
| 78 | def __init__(self, value, separator = '', current_ucn = 1, eqList = []): |
|---|
| 79 | self.value = value |
|---|
| 80 | self.separator = separator |
|---|
| 81 | self.current_ucn = current_ucn |
|---|
| 82 | self.eqList = eqList |
|---|
| 83 | def toRTF(self): |
|---|
| 84 | result = '\\u' + repr(self.value) + ' ' |
|---|
| 85 | ucn = self.current_ucn |
|---|
| 86 | if len(self.eqList) < ucn: |
|---|
| 87 | ucn = len(self.eqList) |
|---|
| 88 | result = tokenControlWordWithNumericArgument('\\uc', ucn).toRTF() + result |
|---|
| 89 | i = 0 |
|---|
| 90 | for eq in self.eqList: |
|---|
| 91 | if i >= ucn: |
|---|
| 92 | break |
|---|
| 93 | result = result + eq.toRTF() |
|---|
| 94 | return result |
|---|
| 95 | def __repr__(self): |
|---|
| 96 | return '\\u' + repr(self.data) |
|---|
| 97 | |
|---|
| 98 | |
|---|
| 99 | def isAsciiLetter(value): |
|---|
| 100 | return ((value >= 'a') and (value <= 'z')) or ((value >= 'A') and (value <= 'Z')) |
|---|
| 101 | |
|---|
| 102 | def isDigit(value): |
|---|
| 103 | return (value >= '0') and (value <= '9') |
|---|
| 104 | |
|---|
| 105 | def isChar(value, char): |
|---|
| 106 | return value == char |
|---|
| 107 | |
|---|
| 108 | def isString(buffer, string): |
|---|
| 109 | return buffer == string |
|---|
| 110 | |
|---|
| 111 | |
|---|
| 112 | class RtfTokenParser(): |
|---|
| 113 | def __init__(self, tokens): |
|---|
| 114 | self.tokens = tokens |
|---|
| 115 | self.process() |
|---|
| 116 | self.processUnicode() |
|---|
| 117 | self.processUnicode4Calibre() |
|---|
| 118 | #self.processRomanianAndHungarian4Calibre() |
|---|
| 119 | |
|---|
| 120 | def process(self): |
|---|
| 121 | i = 0 |
|---|
| 122 | newTokens = [] |
|---|
| 123 | while i < len(self.tokens): |
|---|
| 124 | if isinstance(self.tokens[i], tokenControlSymbol): |
|---|
| 125 | if isString(self.tokens[i].name, "\\'"): |
|---|
| 126 | i = i + 1 |
|---|
| 127 | if not isinstance(self.tokens[i], tokenData): |
|---|
| 128 | raise BaseException('Error: token8bitChar without data.') |
|---|
| 129 | if len(self.tokens[i].data) < 2: |
|---|
| 130 | raise BaseException('Error: token8bitChar without data.') |
|---|
| 131 | newTokens.append(token8bitChar(int(self.tokens[i].data[0:2], 16))) |
|---|
| 132 | if len(self.tokens[i].data) > 2: |
|---|
| 133 | newTokens.append(tokenData(self.tokens[i].data[2:])) |
|---|
| 134 | i = i + 1 |
|---|
| 135 | continue |
|---|
| 136 | |
|---|
| 137 | newTokens.append(self.tokens[i]) |
|---|
| 138 | i = i + 1 |
|---|
| 139 | |
|---|
| 140 | self.tokens = list(newTokens) |
|---|
| 141 | |
|---|
| 142 | def processUnicode(self): |
|---|
| 143 | i = 0 |
|---|
| 144 | newTokens = [] |
|---|
| 145 | ucNbStack = [1] |
|---|
| 146 | while i < len(self.tokens): |
|---|
| 147 | if isinstance(self.tokens[i], tokenDelimitatorStart): |
|---|
| 148 | ucNbStack.append(ucNbStack[len(ucNbStack) - 1]) |
|---|
| 149 | newTokens.append(self.tokens[i]) |
|---|
| 150 | i = i + 1 |
|---|
| 151 | continue |
|---|
| 152 | if isinstance(self.tokens[i], tokenDelimitatorEnd): |
|---|
| 153 | ucNbStack.pop() |
|---|
| 154 | newTokens.append(self.tokens[i]) |
|---|
| 155 | i = i + 1 |
|---|
| 156 | continue |
|---|
| 157 | if isinstance(self.tokens[i], tokenControlWordWithNumericArgument): |
|---|
| 158 | if isString(self.tokens[i].name, '\\uc'): |
|---|
| 159 | ucNbStack[len(ucNbStack) - 1] = self.tokens[i].argument |
|---|
| 160 | newTokens.append(self.tokens[i]) |
|---|
| 161 | i = i + 1 |
|---|
| 162 | continue |
|---|
| 163 | if isString(self.tokens[i].name, '\\u'): |
|---|
| 164 | x = i |
|---|
| 165 | j = 0 |
|---|
| 166 | i = i + 1 |
|---|
| 167 | replace = [] |
|---|
| 168 | partialData = None |
|---|
| 169 | ucn = ucNbStack[len(ucNbStack) - 1] |
|---|
| 170 | while (i < len(self.tokens)) and (j < ucn): |
|---|
| 171 | if isinstance(self.tokens[i], tokenDelimitatorStart): |
|---|
| 172 | break |
|---|
| 173 | if isinstance(self.tokens[i], tokenDelimitatorEnd): |
|---|
| 174 | break |
|---|
| 175 | if isinstance(self.tokens[i], tokenData): |
|---|
| 176 | if len(self.tokens[i].data) >= ucn - j: |
|---|
| 177 | replace.append(tokenData(self.tokens[i].data[0 : ucn - j])) |
|---|
| 178 | if len(self.tokens[i].data) > ucn - j: |
|---|
| 179 | partialData = tokenData(self.tokens[i].data[ucn - j:]) |
|---|
| 180 | i = i + 1 |
|---|
| 181 | break |
|---|
| 182 | else: |
|---|
| 183 | replace.append(self.tokens[i]) |
|---|
| 184 | j = j + len(self.tokens[i].data) |
|---|
| 185 | i = i + 1 |
|---|
| 186 | continue |
|---|
| 187 | if isinstance(self.tokens[i], token8bitChar) or isinstance(self.tokens[i], tokenBinN): |
|---|
| 188 | replace.append(self.tokens[i]) |
|---|
| 189 | i = i + 1 |
|---|
| 190 | j = j + 1 |
|---|
| 191 | continue |
|---|
| 192 | raise BaseException('Error: incorect utf replacement.') |
|---|
| 193 | |
|---|
| 194 | newTokens.append(tokenUnicode(self.tokens[x].argument, self.tokens[x].separator, ucn, replace)) |
|---|
| 195 | if partialData != None: |
|---|
| 196 | newTokens.append(partialData) |
|---|
| 197 | continue |
|---|
| 198 | |
|---|
| 199 | newTokens.append(self.tokens[i]) |
|---|
| 200 | i = i + 1 |
|---|
| 201 | |
|---|
| 202 | self.tokens = list(newTokens) |
|---|
| 203 | |
|---|
| 204 | def processUnicode4Calibre(self): |
|---|
| 205 | i = 0 |
|---|
| 206 | toRemove = [] |
|---|
| 207 | while i < len(self.tokens): |
|---|
| 208 | if isinstance(self.tokens[i], tokenControlWordWithNumericArgument): |
|---|
| 209 | if isString(self.tokens[i].name, '\\uc'): |
|---|
| 210 | toRemove.append(i) |
|---|
| 211 | i = i + 1 |
|---|
| 212 | continue |
|---|
| 213 | if isinstance(self.tokens[i], tokenUnicode): |
|---|
| 214 | self.tokens[i].eqList = [] |
|---|
| 215 | self.tokens[i].current_ucn = 0 |
|---|
| 216 | i = i + 1 |
|---|
| 217 | for i in toRemove: |
|---|
| 218 | self.tokens.remove(self.tokens[i]) |
|---|
| 219 | i = 0 |
|---|
| 220 | while i < len(self.tokens): |
|---|
| 221 | if isinstance(self.tokens[i], tokenControlWordWithNumericArgument): |
|---|
| 222 | if isString(self.tokens[i].name, '\\rtf'): |
|---|
| 223 | self.tokens.insert(i + 1, tokenControlWordWithNumericArgument('\\uc', 0)) |
|---|
| 224 | break |
|---|
| 225 | i = i + 1 |
|---|
| 226 | |
|---|
| 227 | |
|---|
| 228 | def processRomanianAndHungarian4Calibre(self): |
|---|
| 229 | i = 0 |
|---|
| 230 | while i < len(self.tokens): |
|---|
| 231 | if isinstance(self.tokens[i], token8bitChar): |
|---|
| 232 | if self.tokens[i].value == 0xe3: |
|---|
| 233 | self.tokens[i] = tokenUnicode(259, current_ucn = 0) |
|---|
| 234 | i = i + 1 |
|---|
| 235 | continue |
|---|
| 236 | if self.tokens[i].value == 0xc3: |
|---|
| 237 | self.tokens[i] = tokenUnicode(258, current_ucn = 0) |
|---|
| 238 | i = i + 1 |
|---|
| 239 | continue |
|---|
| 240 | if self.tokens[i].value == 0xfe: |
|---|
| 241 | self.tokens[i] = tokenUnicode(539, current_ucn = 0) |
|---|
| 242 | i = i + 1 |
|---|
| 243 | continue |
|---|
| 244 | if self.tokens[i].value == 0xde: |
|---|
| 245 | self.tokens[i] = tokenUnicode(538, current_ucn = 0) |
|---|
| 246 | i = i + 1 |
|---|
| 247 | continue |
|---|
| 248 | if self.tokens[i].value == 0xba: |
|---|
| 249 | self.tokens[i] = tokenUnicode(537, current_ucn = 0) |
|---|
| 250 | i = i + 1 |
|---|
| 251 | continue |
|---|
| 252 | if self.tokens[i].value == 0xaa: |
|---|
| 253 | self.tokens[i] = tokenUnicode(536, current_ucn = 0) |
|---|
| 254 | i = i + 1 |
|---|
| 255 | continue |
|---|
| 256 | if self.tokens[i].value == 0xf5: |
|---|
| 257 | self.tokens[i] = tokenUnicode(337, current_ucn = 0) |
|---|
| 258 | i = i + 1 |
|---|
| 259 | continue |
|---|
| 260 | if self.tokens[i].value == 0xd5: |
|---|
| 261 | self.tokens[i] = tokenUnicode(336, current_ucn = 0) |
|---|
| 262 | i = i + 1 |
|---|
| 263 | continue |
|---|
| 264 | if self.tokens[i].value == 0xfb: |
|---|
| 265 | self.tokens[i] = tokenUnicode(369, current_ucn = 0) |
|---|
| 266 | i = i + 1 |
|---|
| 267 | continue |
|---|
| 268 | if self.tokens[i].value == 0xdb: |
|---|
| 269 | self.tokens[i] = tokenUnicode(368, current_ucn = 0) |
|---|
| 270 | i = i + 1 |
|---|
| 271 | continue |
|---|
| 272 | |
|---|
| 273 | i = i + 1 |
|---|
| 274 | |
|---|
| 275 | def toRTF(self): |
|---|
| 276 | result = [] |
|---|
| 277 | for token in self.tokens: |
|---|
| 278 | result.append(token.toRTF()) |
|---|
| 279 | return "".join(result) |
|---|
| 280 | |
|---|
| 281 | |
|---|
| 282 | class RtfTokenizer(): |
|---|
| 283 | def __init__(self, rtfData): |
|---|
| 284 | self.rtfData = [] |
|---|
| 285 | self.tokens = [] |
|---|
| 286 | self.rtfData = rtfData |
|---|
| 287 | self.tokenize() |
|---|
| 288 | |
|---|
| 289 | def tokenize(self): |
|---|
| 290 | i = 0 |
|---|
| 291 | lastDataStart = -1 |
|---|
| 292 | while i < len(self.rtfData): |
|---|
| 293 | |
|---|
| 294 | if isChar(self.rtfData[i], '{'): |
|---|
| 295 | if lastDataStart > -1: |
|---|
| 296 | self.tokens.append(tokenData(self.rtfData[lastDataStart : i])) |
|---|
| 297 | lastDataStart = -1 |
|---|
| 298 | self.tokens.append(tokenDelimitatorStart()) |
|---|
| 299 | i = i + 1 |
|---|
| 300 | continue |
|---|
| 301 | |
|---|
| 302 | if isChar(self.rtfData[i], '}'): |
|---|
| 303 | if lastDataStart > -1: |
|---|
| 304 | self.tokens.append(tokenData(self.rtfData[lastDataStart : i])) |
|---|
| 305 | lastDataStart = -1 |
|---|
| 306 | self.tokens.append(tokenDelimitatorEnd()) |
|---|
| 307 | i = i + 1 |
|---|
| 308 | continue |
|---|
| 309 | |
|---|
| 310 | if isChar(self.rtfData[i], '\\'): |
|---|
| 311 | if i + 1 >= len(self.rtfData): |
|---|
| 312 | raise BaseException('Error: Control character found at the end of the document.') |
|---|
| 313 | |
|---|
| 314 | if lastDataStart > -1: |
|---|
| 315 | self.tokens.append(tokenData(self.rtfData[lastDataStart : i])) |
|---|
| 316 | lastDataStart = -1 |
|---|
| 317 | |
|---|
| 318 | tokenStart = i |
|---|
| 319 | i = i + 1 |
|---|
| 320 | |
|---|
| 321 | #Control Words |
|---|
| 322 | if isAsciiLetter(self.rtfData[i]): |
|---|
| 323 | #consume <ASCII Letter Sequence> |
|---|
| 324 | consumed = False |
|---|
| 325 | while i < len(self.rtfData): |
|---|
| 326 | if not isAsciiLetter(self.rtfData[i]): |
|---|
| 327 | tokenEnd = i |
|---|
| 328 | consumed = True |
|---|
| 329 | break |
|---|
| 330 | i = i + 1 |
|---|
| 331 | |
|---|
| 332 | if not consumed: |
|---|
| 333 | raise BaseException('Error (at:%d): Control Word without end.'%(tokenStart)) |
|---|
| 334 | |
|---|
| 335 | #we have numeric argument before delimiter |
|---|
| 336 | if isChar(self.rtfData[i], '-') or isDigit(self.rtfData[i]): |
|---|
| 337 | #consume the numeric argument |
|---|
| 338 | consumed = False |
|---|
| 339 | l = 0 |
|---|
| 340 | while i < len(self.rtfData): |
|---|
| 341 | if not isDigit(self.rtfData[i]): |
|---|
| 342 | consumed = True |
|---|
| 343 | break |
|---|
| 344 | l = l + 1 |
|---|
| 345 | i = i + 1 |
|---|
| 346 | if l > 10 : |
|---|
| 347 | raise BaseException('Error (at:%d): Too many digits in control word numeric argument.'%[tokenStart]) |
|---|
| 348 | |
|---|
| 349 | if not consumed: |
|---|
| 350 | raise BaseException('Error (at:%d): Control Word without numeric argument end.'%[tokenStart]) |
|---|
| 351 | |
|---|
| 352 | separator = '' |
|---|
| 353 | if isChar(self.rtfData[i], ' '): |
|---|
| 354 | separator = ' ' |
|---|
| 355 | |
|---|
| 356 | controlWord = self.rtfData[tokenStart: tokenEnd] |
|---|
| 357 | if tokenEnd < i: |
|---|
| 358 | value = int(self.rtfData[tokenEnd: i]) |
|---|
| 359 | if isString(controlWord, "\\bin"): |
|---|
| 360 | i = i + value |
|---|
| 361 | self.tokens.append(tokenBinN(self.rtfData[tokenStart:i], separator)) |
|---|
| 362 | else: |
|---|
| 363 | self.tokens.append(tokenControlWordWithNumericArgument(controlWord, value, separator)) |
|---|
| 364 | else: |
|---|
| 365 | self.tokens.append(tokenControlWord(controlWord, separator)) |
|---|
| 366 | #space delimiter, we should discard it |
|---|
| 367 | if self.rtfData[i] == ' ': |
|---|
| 368 | i = i + 1 |
|---|
| 369 | |
|---|
| 370 | #Control Symbol |
|---|
| 371 | else: |
|---|
| 372 | self.tokens.append(tokenControlSymbol(self.rtfData[tokenStart : i + 1])) |
|---|
| 373 | i = i + 1 |
|---|
| 374 | continue |
|---|
| 375 | |
|---|
| 376 | if lastDataStart < 0: |
|---|
| 377 | lastDataStart = i |
|---|
| 378 | i = i + 1 |
|---|
| 379 | |
|---|
| 380 | def toRTF(self): |
|---|
| 381 | result = [] |
|---|
| 382 | for token in self.tokens: |
|---|
| 383 | result.append(token.toRTF()) |
|---|
| 384 | return "".join(result) |
|---|
| 385 | |
|---|
| 386 | |
|---|
| 387 | if __name__ == "__main__": |
|---|
| 388 | import sys |
|---|
| 389 | if len(sys.argv) < 2: |
|---|
| 390 | print ("Ussage %prog rtfFileToConvert") |
|---|
| 391 | sys.exit() |
|---|
| 392 | |
|---|
| 393 | fileName = sys.argv[1] |
|---|
| 394 | |
|---|
| 395 | f = open(fileName, 'rb') |
|---|
| 396 | data = f.read() |
|---|
| 397 | f.close() |
|---|
| 398 | |
|---|
| 399 | tokenizer = RtfTokenizer(data) |
|---|
| 400 | parsedTokens = RtfTokenParser(tokenizer.tokens) |
|---|
| 401 | |
|---|
| 402 | data = parsedTokens.toRTF() |
|---|
| 403 | |
|---|
| 404 | f = open(fileName, 'wb') |
|---|
| 405 | f.write(data) |
|---|
| 406 | f.close() |
|---|
| 407 | |
|---|
| 408 | |
|---|