de la HTML la PDF (cu Perl şi LaTex)
Obţinem varianta tipărită a unui document HTML (de exemplu, cel de faţă), folosind modulul perl HTML::Latex şi limbajul de marcare/programare LaTeX; o anumită subrutină perl va asigura download-area documentului PDF obţinut.
Din nou, despre documente
document provine din latinescul documentum care se trage de la docere care înseamnă a învăţa; "document" este asociat adesea cu "a informa", dar "a informa" - şi-atât - este o marginalizare (obişnuită astăzi) pentru "a învăţa".
În principiu, Web-ul este o infinitate de documente "electronice" care sunt interconectate între ele şi sunt accesibile de oriunde (datorită unor scheme universale de adresare, de identificare şi de comunicare). Documentele de pe Web nu au în vedere "formatul A4" (nu vizează operaţia de tipărire pe hârtie), pentru motivul evident că de pe hârtie nu este posibilă interconectarea cu alte documente.
Dar operarea cu documente Web poate să aibă ca scop final chiar tipărirea pe hârtie (este cazul activităţii editurilor, instituţiilor, etc.); astfel că au devenit necesare instrumente de conversie de la reprezentarea specifică documentelor Web (bazată pe limbaje de marcare, în principal HTML şi XML), la "formatul A4".
Pentru reprezentarea pe hârtie au fost produse două categorii de instrumente: aşa numitele "procesoare de text" WYSIWYG, de exemplu aplicaţia Word din pachetul comercial Microsoft-Office, sau aplicaţia necomercială OpenOffice.org-Writer; respectiv, limbaje de marcare/programare (TeX, cu varianta LaTeX) precum şi formate de reprezentare corespunzătoare, "independente de dispozitiv" (deci şi pentru pagina de hârtie), precum PDF.
Instituţiile (funcţionarii acestora) folosesc de regulă produsele de tip point-and-click, în principal Word; în general, ele nu produc documente interconectate, ci doar documente tipărite (folosind Web-ul doar pentru transmiterea fişierelor .DOC către instituţiile subordonate sau către beneficiari - urmând ca fişierele descărcate să fie tipărite local).
În cadrul sistemului de învăţământ se studiază în mod extensiv, produsele point-and-click (şi anume, exact acelea din varianta comercială, de la Microsoft). Motivul ar fi uşurinţa cu care se poate învăţa să faci click pe diversele meniuri şi iconiţe, vizualizând imediat efectul (în principal, efectul de formatare asupra porţiunii selectate).
Văzând această preferinţă exclusivă pentru point-and-click, poate fi îndreptăţită bănuiala că scopul învăţământului ar fi acela de a forma funcţionari. Adevărul este însă acesta:
- este mult mai uşor de folosit un editor de text obişnuit, decât un "editor Word"; în orice caz, programatorii folosesc editoare de text (nicidecum, Word) atât pentru scrierea programelor, cât şi pentru realizarea unor documente oricât de complexe;
- ca să foloseşti un editor de text obişnuit nu ai nevoie de o licenţă costisitoare, precum în cazul folosirii Microsoft-Office;
- editoarele de text obişnuit sunt independente de platformă (sau au versiuni Windows, Linux, Mac, etc.);
- dacă ai învăţat să foloseşti un limbaj de marcare (de exemplu, HTML), atunci va fi uşor să înveţi şi alte limbaje de marcare (CSS, XML; LaTeX);
- cunoscând două-trei limbaje de marcare, poţi folosi un editor de text obişnuit pentru a realiza orice tip de document Web.
Desigur, însuşirea unui limbaj de marcare poate să nu fie la fel de uşoară precum învăţarea mecanismului point-and-click, mai ales dacă ai neglijat experienţa lucrului cu fişiere text şi cu linia de comandă şi te-ai lăsat păcălit de "valenţele" acestui mecanism. Marele avantaj al mecanismului point-and-click este faptul că vezi imediat efectul fiecărei operaţii de editare; păcăleala vine de la obişnuinţa pe care o capeţi de a opera pe bucăţele, scăpând din vedere aspectele globale de structură şi de formatare.
În cazul folosirii limbajelor de marcare, nu mai poţi vizualiza imediat efectul. Mai întâi trebuie să descrii în fişierul text respectiv, structura şi caracteristicile globale ale documentului (folosind marcajele şi comenzile specifice acelui limbaj de marcare); apoi, trebuie să apelezi la un compilator sau la un program care poate interpreta marcajele respective şi care fie produce ca rezultat un alt fişier text care va putea fi vizualizat cu o anumită aplicaţie existentă, fie chiar vizualizează documentul respectiv.
De exemplu, pentru a realiza un document HTML folosind un editor de text obişnuit, de obicei trebuie să completezi întâi secţiunea <head> precizând diverse caracteristici globale (de exemplu, content="text/html; charset=utf-8"; stilurile de bază folosite; bibliotecile sau funcţiile angajate; etc.); apoi desigur, se adaugă conţinutul propriu-zis, sub tag-ul <body>; vizualizarea se poate realiza prin încărcarea sursei respective într-un browser. De asemenea, pentru a realiza un document folosind LaTeX trebuie specificate de la bun început caracteristicile globale şi pachetele de stiluri folosite; fişierul text respectiv trebuie compilat (apelând latex, sau pdflatex, etc.) obţinând un fişier text care poate fi vizualizat cu anumite aplicaţii ("Acrobate Reader", etc.).
Prin urmare, pentru a folosi limbaje de marcare eşti obligat să deprinzi obiceiul (care şi este foarte firesc) de a prevedea din start structura documentului şi cerinţele principale de formatare pentru secţiuni, sau pentru diverse categorii de elemente de conţinut. Este adevărat însă că poţi şi să ajungi la degradarea limbajelor de marcare, lucrând ca şi în Word (doar că, în loc să faci click-uri, scrii un simbol de marcare); de asemenea, în principiu se poate opera şi în Word în maniera specifică limbajelor de marcare (optând de la început pentru un anumit şablon de document).
Limbajele de marcare (mai ales TeX) se bazează pe câteva aspecte care sunt binecunoscute de către oricine a răsfoit mai cu atenţie vreo două cărţi obişnuite şi vreo două "articole ştiinţifice": un document are un titlu şi un autor; are apoi, o mică "introducere" sau un sumar (sau "abstract", sau poate o "prefaţă"); are una sau mai multe secţiuni sau capitole, are un "cuprins", poate să aibă un glosar sau un index de termeni, are o "bibliografie"; fiecare secţiune sau subsecţiune are un titlu şi este formată din paragrafe, eventual tabele, figuri, sau imagini. Un limbaj de marcare instituie anumite secvenţe de caractere (denumite tag-uri, sau simboluri de marcare) cu ajutorul cărora se pot marca elementele de conţinut specificate mai sus; de obicei se prevăd şi diverse simboluri pentru eventuala formatare ad-hoc a unei secvenţe cât de mici, a documentului.
Documentul —fişier-text, nimic altceva— marcat astfel este "consumat" de obicei de un browser (Internet Explorer, Firefox, etc.) care ştie să interpreteze marcajele respective, redând documentul sub forma indicată prin marcajele fixate în text de către autor. Unele limbaje de marcare (de exemplu, LaTeX) sunt de fapt, chiar limbaje de programare (textul sursă trebuind să fie compilat) şi oferă mari facilităţi: constituirea automată a cuprinsului, generarea indecşilor, gestionarea referinţelor la pagini, tabele, la note de subsol sau la bibliografie, facilităţi de împărţire automată a unor porţiuni de text pe două sau mai multe coloane, şi altele; oferă de asemenea, marcaje corespunzătoare pentru scrierea de formule matematice şi pot produce în final (în funcţie desigur, de ce a prevăzut autorul) documente de înaltă calitate tipografică.
Transformarea documentelor cu 
Ştim desigur, că un fişier .DOC poate fi exportat în format HTML direct de sub Word, utilizând opţiunea "Save As..." din meniul "File". De obicei fişierul HTML rezultat arată destul de rău (sursa HTML obţinută trebuie "curăţată" de tag-urile inutile şi eventual trebuie efectuate multe "reparaţii" asupra unor tag-uri şi atribute care astăzi sunt declarate "deprecated"); de vină poate fi autorul .DOC-ului, fiindcă nu s-a preocupat câtuşi de puţin de structurarea coerentă a documentului şi nu a gândit unitar asupra formatării; dar chiar dacă s-ar proceda unitar, de exemplu formatând din capul locului toate paragrafele la fel - HTML-ul rezultat tot va conţine atributele (aceleaşi pentru toate paragrafele) în cadrul fiecărui tag de paragraf...
Pentru editarea documentelor şi pentru transformarea unui document dintr-un format în altul - şi tot pe bază de point-and-click - Google a pus la dispoziţie tuturor aplicaţia Docs. Descriem aici o modalitate de folosire — anume, ne propunem să obţinem formatul PDF pentru un articol existent pe http://sitsco.com/.
Am accesat http://sitsco.com/ şi apoi (într-o a doua instanţă Firefox) http://docs.google.com/; am selectat cu mouse-ul textul articolului şi l-am copiat cu CTRL-C; în Google Docs am făcut click pe New şi am făcut "paste" (prin CTRL-V), iar ca urmare am obţinut articolul respectiv în fereastra de editare oferită; apoi, am deschis meniul File şi am făcut click pe opţiunea Export as PDF..., obţinând fereastra de dialog prin care se poate opta pentru deschiderea documentului PDF cu Document Viewer, sau pentru salvarea lui pe disk.
Dar programatorul ar vrea mai degrabă un fişier text intermediar (cu marcajele corespunzătoare) pe care să-l poată eventual modifica, înainte de a genera PDF-ul.
Utilizarea modulului HTML::Latex
Avem nevoie de un program prin care tag-urile HTML să fie înlocuite corespunzător prin simboluri de marcare LaTeX; de exemplu, <h2>Titlul secţiunii</h2> să fie înlocuit prin \subsection*{Titlul secţiunii} (sau de exemplu, prin \chapter{Titlul secţiunii} - după cum dorim, sau în funcţie de genul de document LaTeX care se potriveşte). Documentul HTML iniţial poate fi reprezentat printr-un arbore (sau reţea) de obiecte de memorie, în care fiecare nod corespunde unui element HTML (înregistrând cel puţin tag-ul respectiv, lista atributelor din acel element, un pointer la "parent"-ul elementului şi unul la primul "child"); având acest arbore, rămâne ca el să fie traversat (recursiv) pentru a aplica fiecărui nod funcţia de înlocuire.
Pe CPAN am găsit un singur modul, HTML::Latex, destinat să creeze un fişier LaTeX dintr-unul HTML; se foloseşte HTML::TreeBuilder pentru a obţine arborele de memorie corespunzător documentului HTML (fiecare nod este un obiect HTML::Element) şi XML::Simple pentru a reconstrui arborele corespunzător noilor marcaje (şi desigur, acea funcţie care în asociere cu diverse alte subrutine, asigură corespondenţa dintre tag-uri HTML şi marcaje LaTeX). Modulul respectiv este cam vechi (din anul 2000) şi cu siguranţă că el s-ar putea rescrie acum mai bine (cel puţin, în privinţa considerării "caracterelor internaţionale"); folosim funcţionalitatea minimă oferită de el, intenţionând (şi preferând deocamdată) să operăm manual modificările dorite sau necesare asupra fişierului LaTeX rezultat.
#!/usr/bin/perl -w # ./html-latex.pl htmllatex.html htmllatex.tex use HTML::Latex; my ($fi, $fo) = @ARGV; # preia de pe linia de comandă, numele celor două fişiere my ($in, $out); open $in, '<:utf8', $fi or die $!; open $out, '>:encoding(utf8)', $fo or die $!; my $parser = new HTML::Latex(); # obiect capabil să analizeze HTML (din $in) şi $parser->html2latex($in, $out); # să "traducă" în LaTeX (în $out)
Pe acest site avem <meta http-equiv="Content-Type" content="text/html; charset=utf-8"> şi desigur, putem să includem această specificaţie şi în <head>-ul fişierului pe care-l transformăm; dar HTML::Latex nu ţine cont de specificaţiile din <head>-ul fişierului (deşi unele dintre acestea vizează chiar conţinutul propriu-zis şi deci nu pot fi considerate "colaterale"; este drept însă că există posibilitatea "legării" unor funcţii proprii, care să rezolve diverse aspecte particulare).
De aceea am specificat utf8 pentru deschiderea celor două fişiere — în absenţa acestor specificaţii, caracterele româneşti "dispar"; mai precis, un "caracter internaţional" este reprezentat prin 2-6 octeţi de memorie care sunt interpretaţi la redare ca fiind un singur caracter numai în prezenţa anumitor specificaţii de codare (cum ar fi pentru browser, "Encoding: UTF-8") — altfel, sunt redate eventual "caracterele" aferente celor 2-6 octeţi constituienţi şi nu caracterul reprezentat unitar de aceştia.
Elemente conjuncturale de limbaj LaTeX
Redăm porţiunile semnificative din fişierul htmllatex.tex obţinut prin executarea programului redat mai sus şi completat apoi manual (în preambul—partea dinaintea \begin{document}; am adăugat un "abstract"); secvenţele marcate prin '%' sunt "comentarii" (şi vor fi ignorate de compilator).
\documentclass[10pt,a4paper]{article} \usepackage{fullpage, url, ucs, graphicx} % pachete LaTeX \usepackage[utf8x]{inputenc} \renewcommand{\abstractname}{ } % elimină denumirea implicită "Abstract" \setlength{\parskip}{1ex} % spaţiul dintre paragrafe \setlength{\parindent}{0ex} \graphicspath{{/home/vb/lar/root/images/htmllatex/}} \begin{document} \title{de la HTML la PDF (cu Perl şi LaTeX)} \author{Vlad Bazon, \texttt{http://docere.ro}} \date{Dec 2007} \maketitle % comanda de includere a titlului \begin{abstract} Obţinem varianta tipărită a unui document HTML, folosind modulul \emph{perl} HTML::Latex... \begin{itemize} % enumerare (similar cu <ul> şi <li> din HTML) \item Din nou, despre \emph{documente} \item Transformarea documentelor cu \emph{\url{http://docs.google.com/}} ... \end{itemize} \end{abstract} \section*{Din nou, despre \emph{documente}} \textbf{document} provine din latinescul \textbf{documentum} care se trage de la \textbf{docere}... \^{\I}n principiu, Web-ul este o infinitate de documente ``electronice'' care sunt interconectate \^{\i}ntre... ... \section*{ Transformarea documentelor cu \includegraphics[scale=0.6]{docslogo.png} } Ştim desigur, că un fişier .DOC poate fi exportat \^{\i}n format HTML direct de sub Word... ... \begin{center}\includegraphics[scale=0.7]{sitdocs.png}\end{center} Am accesat \emph{\url{http://sitsco.com/}} şi apoi (\^{\i}ntr-o a doua instanţă Firefox)... ... \section*{ Utilizarea modulului HTML::Latex} Avem nevoie de un program prin care tag-urile HTML să fie \^{\i}nlocuite... ... \begin{verbatim} \% similar cu <pre> din HTML #!/usr/bin/perl -w # ./html-latex.pl htmllatex.html htmllatex.tex use HTML::Latex; ... \end{verbatim} ... \end{document}
Preambulul conţine comenzi care afectează întregul document. Comanda \documentclass[options]{class} precizează compilatorului ce tip de document alege să creeze autorul (în cazul de faţă - document din clasa "article", de tipărit pe hârtie cu formatul A4, cu dimensiunea de bază a fontului de 10 puncte). După executarea comenzilor din preambul (cu efectul setării corespunzătoare a diverşilor parametri globali), compilatorul va identifica textul documentului (conţinutul propriu-zis) pe baza marcajelor \begin{document} şi \end{document} şi va aplica asupra lui comenzile (şi marcajele de formatare) întâlnite (desigur, asemenea aserţiuni reducţioniste nu trebuie luate "mot-a-mot"; cu siguranţă, lucrurile sunt mult mai complicate).
LaTeX prevede mai multe clase de document, de exemplu: article pentru articole destinate revistelor ştiinţifice, pentru rapoarte de mică întindere, pentru documentaţii de programe, etc.; report pentru cărţi mici sau rapoarte care conţin mai multe capitole, pentru teze de doctorat; book pentru cărţi; slides pentru prezentări (analog celor produse cu PowerPoint); etc.
Pentru fiecare tip de document sunt prevăzute mai multe nivele imbricate de secţionare a documentului; de exemplu, un article poate cuprinde \part{Numele-Părţii}, \section{Nume-Secţiune}, \subsection{...}, \subsubsection{...}, \paragraph{...}, \subparagraph{...}. Secţiunile (la fel, tabelele, figurile, notele de subsol) sunt numerotate automat, într-o manieră care ţine cont de ierarhia lor; titlurile de secţiuni pot fi adăugate automat într-un tabel de cuprins.
Imaginile pot fi incluse în document prevăzând în preambul includerea pachetului graphicx şi folosind apoi comanda \includegraphics[opţiuni]{cale-nume-fişier-imagine}; anumite conversii sunt efectuate automat (de la GIF la PNG); graphicx oferă numeroase comenzi pentru integrarea imaginii, de exemplu scalare, "clip", rotire, "wrap", alipire de imagini, etc.
Diverse alte pachete LaTeX permit gestionarea aspectelor privitoare la tabele (tabular, table, etc.), figuri, redarea secvenţelor de program sau de "pseudocod" (listings, algorithm, etc.), împărţirea textului în coloane (multicol, etc.), folosirea culorilor, folosirea de formule matematice oricât de complexe (math, displaymath, amsmath, etc.), folosirea caracterelor internaţionale (ucs, inputenc), etc.
Pentru a obţine direct un document PDF corespunzător fişierului htmllatex.tex creat, putem apela din linia de comandă compilatorul pdflatex (vb@debian:~$ pdflatex htmllatex.tex). Eventual, comanda trebuie executată de mai multe ori consecutiv, dacă există referiri (citări) la note de subsol, la bibliografie, la figuri, etc. Fişierul PDF obţinut astfel ocupă mai mult spaţiu decât fişierul DVI ("Device independent file format") care s-ar fi obţinut prin compilare cu latex, dar include toate fonturile necesare şi de asemenea, imaginile (DVI doar le referă, urmând ca fişierele cu imagini să fie "incluse" doar în momentul tipăririi documentului); în plus, pdflatex recunoaşte formatele de imagine JPG şi PNG, în timp ce latex recunoaşte numai formatul "Encapsulated PostScript" (EPS).
Fişierul PDF ("Portable Document Format") poate fi tipărit ca atare (în general, imprimanta va "şti" să producă documentul conform indicaţiilor şi comenzilor existente în fişier), sau poate fi vizualizat (şi tipărit) folosind aplicaţii precum Acrobat Reader, Xpdf, Evince, etc.
Subrutină perl pentru download
Articolele de pe acest site sunt fişiere HTML, dar nu sunt "documente HTML" în sensul standard; ele nu conţin partea "obligatorie" de <head>, fiind în principal doar o succesiune de <div>-uri (aferente secţiunilor din articol) şi de paragrafe (desigur şi de alte elemente HTML, precum <h2> folosit pentru titlurile secţiunilor, <a> pentru diverse referinţe interne sau externe, <img> etc.). Am putut "evita" să includ câte o parte de <head> în fiecare articol, prin existenţa unei "pagini de bază" index.html al cărei <head> prevede toate cele necesare ("content-type", fişiere de stiluri, biblioteci javascript de inclus, etc.) şi de asemenea, prin implicarea mecanismelor Ajax prin care fişierul respectiv este transferat (la click pe link-ul corespunzător, din cadrul paginii de bază) şi este redat de browser în locul indicat în pagina de bază pentru aceasta. Cu alte cuvinte, articolele respective sunt integrate la cerere paginii de bază şi nu sunt accesibile (sau redate) în mod independent (dezavantajul major fiind acela că articolele nu sunt "văzute" de motoarele de căutare).
OBS. (ian. 2011) Cam aşa stăteau lucrurile în 2007; pe site-ul vizat aici angajam module Perl (între care, Catalyst şi Template-Toolkit) şi biblioteca javascript prototype.js.
Aşa stând lucrurile, pare dificil şi să copiezi (altfel decât ca text neformatat) şi să printezi vreunul dintre articole (mai ales dacă e vorba să faci aceasta de sub Windows şi cu Internet Explorer; altfel, am arătat mai sus că se poate foarte uşor cu Google Docs). Aşa că ne-am pus această chestiunea practică: a asocia unora dintre articolele de aici o "variantă PDF". Am arătat mai sus pe larg, demersurile şi instrumentele necesare pentru aceasta şi ar rămâne acum de arătat cum anume producem "download/save" pentru PDF-ul respectiv.
Ca interfaţă, ar fi de adăugat undeva un link care (la click) accesează în mod explicit serverul pentru a executa funcţia necesară (transmiţându-i ca parametru numele fişierului PDF care trebuie returnat). Funcţia respectivă este încorporată în modulul Controller::Qnote, cu numele down_exe:
package lar::Controller::Qnote; use strict; use warnings; use base 'Catalyst::Controller'; # vezi http://catalyst.perl.org # alte module incluse, alte subrutine... sub down_exe : Local { my ($self, $c, $fin) = @_; # $fin preia numele fişierului de downloadat my $fi = $c->config->{home}.'/root/'.$fin; my $size = (stat($fi))[7]; # dimensiunea fişierului open(INX, $fi) || die "nu se poate accesa $fi, $!"; local $/; my ($data) = <INX>; close(INX); $c->res->content_length($size); # transmite întâi header-ele necesare $c->res->headers->header('Content-Type' => 'application/pdf'); $c->res->headers->header('Content-Disposition' => "attachement;filename=$fin"); $c->res->body($data); # transmite fişierul respectiv }
Până să poată fi considerat ca "acceptabil" pentru a fi oferit spre download, PDF-ul respectiv necesită de obicei, unele retuşuri; de exemplu pentru cazul articolului de faţă, a apărut o problemă chiar nebanală: textul din secţiunea anterioară care descrie structura de principiu a unui fişier LaTeX, conţine comenzi LaTeX şi trebuie încorporat şi el în fişierul "htmllatex.tex" — se pune problema de a evita ca aceste comenzi să fie şi executate de către pdflatex; iniţial, am inclus textul respectiv sub "environment"-ul verbatim, care are o comportare asemănătoare cu <pre> din HTML (mai precis, programul html-latex.pl care folosea HTML::Latex a transformat <pre> în verbatim, dar fără să "escapeze" corect comenzile Latex din interiorul elementului <pre>). Numai că în cadrul verbatim poate apărea orice secvenţă de caractere (şi va fi redată ca atare), cu excepţia oricărei comenzi LaTeX (adică nu este permis să apară de exemplu "\begin{document}"); soluţia este desigur "escaparea" caracterului special "\", prin "\textbackslash{}" (deci comenzile din cadrul verbatim trebuie scrise sub forma: \textbackslash{}begin{document}).
htmllatex.pdf redă PDF-ul obţinut cu HTML::Latex cum am arătat mai sus (cu precizarea că PDF-ul respectiv corespunde textului iniţial din 2007 şi pe de altă parte, "download"-ul actual nu mai implică subrutina "down-exe" tocmai redată).
vezi Cărţile mele (de programare)