हर कीमत पर पाठ: मिट्ट

हां, आप गलत नहीं थे, और यह डीजा वु नहीं है। आप शायद एक बार (यदि एक नियमित) इस विषय को देखा। तब से बहुत समय बीत चुका है, और द्विआधारी डेटा प्रारूपों से पाठ्य सूचनाओं को पढ़ने के बारे में सलाह के लिए प्रश्न और अनुरोधों के साथ पत्र मेरे पास जाते रहते हैं। और इसका मतलब है कि यह विषय अभी भी प्रासंगिक है, प्रोग्रामिंग समुदाय के लिए दिलचस्प है।



इस वर्ष के लिए (और वास्तव में एक वर्ष से अधिक समय बीत चुका है) मैंने अपनी नौकरी बदल ली है और पूरी तरह से अलग-अलग काम करते हैं और लंबे समय तक मैंने पीएचपी में प्रोग्राम नहीं किया है (मैं बहुत सटीक नहीं हूं)। नई परियोजना ने मुझे अजगर में सुधार करने (और इसकी शक्ति को महसूस करने) के लिए बाध्य किया, इसलिए एक रविवार की शाम को फिर से लिखने और पाठ पढ़ने के लिए मेरे कुछ पुस्तकालयों में सुधार करने का निर्णय लिया गया। आज मैं सार्वजनिक रूप से एक युवा ओपनसोर्स-प्रोजेक्ट मिट्टे (" यम्मी ", फ्रांसीसी से अनुवादित) को प्रस्तुत करूंगा, जिसका उद्देश्य (कोई भविष्य में नहीं) माइक्रोसॉफ्ट ऑफिस पैकेज फ़ाइलों को पढ़ने के लिए है।



मिट्ट का मुख्य कार्य मुख्य रूप से कार्यालय स्वरूपों से स्पष्ट पाठ पढ़ना होगा, लेकिन इस बार मैं आगे जाना और असंभव करना चाहूंगा: पार्सर को प्रारूपण (कम से कम न्यूनतम) पढ़ें। पीड़ित लोगों के लिए शाम और ब्याज (और परीक्षण और संयुक्त विकास के रूप में संभवत: संभव मदद) में समय होने पर यह कार्य कठिन है, लेकिन काफी संभव है। लेकिन ये सिर्फ योजनाएं हैं और इसलिए, बोलने के लिए, शौक हैं।



स्वाभाविक रूप से, अजगर कई मामलों में PHP से बहुत अलग है और, मेरी राय में, थोड़ी अधिक कार्यक्षमता है, इसलिए एक परियोजना में पुस्तकालयों के निर्माण का सिद्धांत PHP में पुराने "शिल्प" से थोड़ा अलग है। इस मामले में, किसी भी बड़े ब्लॉक को एक व्यक्ति में मेमोरी में लोड करने के लिए, खुद को एक डेवलपर और ग्राहक के रूप में मना करने का निर्णय लिया गया था। Miett डेटा को धीरे-धीरे मांग पर पढ़ता है, जैसा कि वर्ड खुद करता है। यह रैम के लिए इसे हल्का और निंदनीय बनाता है। भविष्य में, मैं शुरुआती प्रोफाइलर के माध्यम से जाने और संकीर्ण गर्दन खोजने की कोशिश करूंगा, जिसे आगे भी अनुकूलित किया जाना चाहिए।



आगे बढ़ें?



मैं आपको सलाह देता हूं कि आगे पढ़ने से पहले PHP में पुराने लेख और cfb के स्रोत कोड की समीक्षा करें।

परियोजना की संरचना

इस परियोजना में निर्देशिकाएं शामिल हैं (और बाद में समाहित की जाएंगी), जिनमें से प्रत्येक में एक या किसी अन्य प्रकार की फ़ाइल का पाठक होता है। अब कंपाउंड फाइल बाइनरी फाइल फॉर्मेट पर एक रीडर है, जो कि ज्यादातर ऑफिस फाइल्स के डेटा और डीओसी (माइक्रोसॉफ्ट वर्ड) के लिए एक रैपर है। एक्सएलएस और पीपीटी के लिए आगे समर्थन जोड़ा जाएगा।



सीएफबी में दो मुख्य ऑब्जेक्ट होते हैं - रीडर और डायरेक्ट्रीएंट्री, जिस पर बाकी "पाठक" बने होते हैं। पहले "निर्देशिका प्रविष्टियों" के साथ काम करने के लिए एक इंटरफ़ेस प्रदान करता है जो सीएफबी स्टोरेज बनाते हैं। रीडर क्लास का उपयोग करते हुए, आप नाम और नंबर दोनों से आवश्यक प्रविष्टि का उपयोग कर सकते हैं। रूट एंट्री ("रूट एंट्री") के लिए, एक विशेषता अग्रेषण बनाया गया था, जिसे डायरेक्टरीइंट्री क्लास में प्रतिस्थापित किया जा सकता है, बड़े पैमाने पर मिनी एफएटी के साथ काम को व्यवस्थित और मानकीकृत करता है।



DirectoryEntry एक न्यूनतम फ़ाइल इंटरफ़ेस लागू करता है: पढ़ा ([आकार]), सीक (ऑफसेट, [whence]) और बताओ ()। यह फिर से "प्रविष्टियों" के साथ काम को सरल करता है और, सामान्य तौर पर, अजगर की भावना में। आप अभी भी पैरामीटर के बिना रीड () का उपयोग करके पूरी प्रविष्टि पढ़ सकते हैं, लेकिन कुछ बाइट्स पढ़ने पर आपको पूरी तरह से लाभप्रद समाधान मिलेगा जो कोई अतिरिक्त बिट्स नहीं पढ़ेगा। इसके अलावा, आप संबंधित विशेषताओं के माध्यम से बाएं / दाएं भाई-बहन और बच्चे "प्रविष्टियां" का उल्लेख कर सकते हैं - यह सीएफबी पेड़ को सुविधाजनक और विनीत बनाता है।



DocTextReader के उदाहरण पर आप CFB के साथ काम करने का एक उदाहरण देख सकते हैं। जैसा कि आप देख सकते हैं, PHP के कार्यान्वयन के विपरीत, हम रैम में डेटा की एक छोटी मात्रा को पढ़ने की कोशिश करते हैं, लगातार डॉक्टर फ़ाइल के माध्यम से आगे बढ़ते हैं। अतिरिक्त DirectoryEntry get_byte, get_short और get_long मेथड हमारी सहायता के लिए आते हैं, जो एक निश्चित स्थान से बाइट्स की संबंधित संख्या को पढ़ते हैं। 0 / 1Table और WordDocument के मुख्य "आवृत्तियों" को वर्ग विशेषताओं के रूप में अग्रेषित किया जाता है।



इस कार्यान्वयन में एक परीक्षण चरित्र है; भविष्य में, DocTextReader में एक चयनित स्थिति से दिए गए बाइट्स की संख्या को पढ़ने के लिए मानकीकृत तरीके होंगे, और संभवतः फ़ाइल वर्ग के कुछ अन्य कार्य।

उदाहरण का उपयोग करें

और अंत में, पुस्तकालय का उपयोग करने का एक उदाहरण।



from doc . text import DocTextReader



doc = DocTextReader ( 'parus.doc' )

root_entry = doc . root_entry

word_document = doc . get_entry_by_name ( 'WordDocument' )

one_table = root_entry . child . left_sibling . left_sibling



fc_clx = self . word_document . get_long ( 0x01a2 )



one_table . seek ( fc_clx )

print one_table . read ( 1 )

print one_table . tell ( ) # fc_clx + 1



print doc . read ( )







PS मुझे आशा है कि आप और Miette निराश नहीं करेंगे। Github पर बने रहें :)