ویرگول
ورودثبت نام
امیرحسین مجیری
امیرحسین مجیریبذارید بهش فکر کنم. طبقه‌بندی مطالب در «انتشارات».
امیرحسین مجیری
امیرحسین مجیری
خواندن ۱ دقیقه·۷ سال پیش

چطور لیستی از عبارات فارسی به هم ریخته را مرتب کردم (کپی متن فارسی از پی دی اف)

نکته (9 مهر 99): الان فهمیدم که وقتی یک متن فارسی رو از یک فایل پی دی اف کپی می کنیم ممکنه همین به هم ریختگی اتفاق بیفته. بنابر این، راه حلی که در این جا پیشنهاد دادم ممکنه برای کپی متن فارسی از پی دی اف هم جواب بده.

گروهی از مترجم ها یک فایل اکسل درست کرده بودند شامل عبارات انگلیسی و ترجمه فارسی آن عبارات. فایل چند بار جابجا شده بود و به علتی نامعلوم به هم ریخته بود:

The Armament system is now available!,
!ﺖﺳﺍ ﺱﺮﺘﺳﺩ ﺭﺩ ﻥﻮﻧکﺍ ﺶﺗﺭﺍ ﺕﺍﺰﻴﻬﺠﺗ ﻢﺘﺴﻴﺳ,

با کمی دقت متوجه شدم عبارات معکوس شده اند. یعنی تک تک کاراکترها جابجا شده اند. خب تا این جا مشکلی نبود. کافی است عبارات معکوس را درست می کردم. سعی کردم مشکل را با php حل کنم. تابع پیش فرض برای این کار strrev است که یک رشته را معکوس می کند. مشکل این است که این تابع برای کاراکترهای فارسی کار نمی کند. مشکل این طور حل می شود:

function utf8_strrev ($str) { preg_match_all ('/./us', $str, $ar); return join ('', array_reverse($ar[0])); }

کاری که می کند ساده است: با استفاده از regular expression همه ی کاراکترهای utf را انتخاب می کند، در یک آرایه می ریزد، خانه های آرایه را معکوس می کند و آرایه را دوباره تبدیل به رشته می کند (join). حالا کافی بود کل عبارات را در یک فایل بریزم، تک تک تابع را روی آنها اجرا کنم و در نهایت در یک فایل بریزم:

$file = file ("file.txt"); foreach ($file as &$line) { $line = utf8_strrev ($line); } file_put_contents("output.txt", implode("\n", $file));

این کار تا حدی مشکل را حل می کرد. مشکل دوم این بود که معکوس شدن کاراکترها فقط مربوط به فارسی بود! یعنی به این شکل:

Honorific<font color=',
<font color = 'ﺭﺎﺨﺘﻓﺍ,

پس باید عبارات انگلیسی و اعداد را از معکوس شدن منع می کردم. به جای این کار بعد از معکوس شدن کل عبارات، کلمات دارای کاراکترهای انگلیسی و اعداد را شناسایی کردم و دوباره معکوس کردم تا به همان حالت اولیه برگردند:

function strrev_non_persian_words ($str) { $exploded_string = explode (" ",$str); foreach ($exploded_string as &$word) { preg_match ('/[a-zA-Z0-9]/', $word, $matches, PREG_UNMATCHED_AS_NULL); if ( ! empty ($matches) ) { $word = strrev ($word); } } return implode (" ", $exploded_string); }

مشکل نهایی برخی کاراکترهای غیرفارسی بود که مشابه کاراکترهای فارسی بودند اما فارسی نبودند! مثل «ي» به جای «ی». برای ویرایش این موارد، پیش از این تابع کوچکی نوشته بودم. این تابع یک رشته دریافت می کند و همه ی کاراکترهای غیرفارسی را به کاراکتر فارسی مشابه تبدیل می کند (این تابع به معتبرسازی مقادیر فیلدهای فارسی فرم ها در ثبت نام های بین المللی هم کمک می کند).

در پایان یک تابع به این شکل نوشتم که همه ی موارد بالا را خلاصه کند:

function edit_str ($str) { return convert_non_persian_chars_to_persian(strrev_non_persian_words(utf8_strrev($str))); }

منطقن کد نهایی هم به این شکل تغییر یافت:

$file = file ("file.txt"); foreach ($file as &$line) { $line = edit_str ($line); } file_put_contents("output.txt", implode("\n", $file));

کل کد را در این صفحه گذاشتم.

phpزبان فارسیبرنامه نویسی
۱۰
۰
امیرحسین مجیری
امیرحسین مجیری
بذارید بهش فکر کنم. طبقه‌بندی مطالب در «انتشارات».
شاید از این پست‌ها خوشتان بیاید