python-docs-de/tools/check_markup.py at 3.15 · python/python-docs-de

History

371 lines (307 loc) · 15 KB

Raw

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

301

302

303

304

305

306

307

308

309

310

311

312

313

314

315

316

317

318

319

320

321

322

323

324

325

326

327

328

329

330

331

332

333

334

335

336

337

338

339

340

341

342

343

344

345

346

347

348

349

350

351

352

353

354

355

356

357

358

359

360

361

362

363

364

365

366

367

368

369

370

371

#!/usr/bin/env python3

"""check_markup.py -- Findet Auszeichnungsfehler in deutschen .po-Uebersetzungen.

Ergaenzt check_roles.py: dort geht es um fehlende oder ueberzaehlige Rollen,

hier um Schaeden *innerhalb* der Auszeichnung, die Sphinx entweder gar nicht

meldet oder erst als Folgefehler. Die meisten stammen aus maschineller

Voruebersetzung, bei der reST-Syntax wie Fließtext behandelt wurde.

Geprueft werden sechs Fehlerarten (Kuerzel fuer --art):

klammer Ueberfluessige Backtick- oder Stern-Klammer um eine Rolle:

Ein ` :class:`tuple` `, der ...

Sphinx paart Backticks von links nach rechts. Das einzelne

Backtick findet seinen Partner im oeffnenden Backtick der Rolle,

und ab da verrutscht die Paarung ueber den ganzen Satz -- alle

folgenden Querverweise werden zu gewoehnlichem Text.

anzeige Rolle ohne Anzeigetext: :term:` <parameter>`

Der sichtbare Text ist beim Uebersetzen verloren gegangen.

code Codeblock, dessen Uebersetzung ausserhalb von Kommentarzeilen

vom Original abweicht. Betrifft uebersetzte Schluesselwoerter

(">>> x ist 7"), eingedeutschte Interpreter-Ausgaben

("Traceback (letzter Aufruf zuletzt):") und Beispiele, deren

Eingabe und Ausgabe nicht mehr zueinander passen.

literal ``Literale`` aus dem Original fehlen in der Uebersetzung.

Literale sind Code und duerfen nicht uebersetzt werden.

Zusaetzliche Literale in der Uebersetzung sind erlaubt.

typo Typografische Anfuehrungszeichen innerhalb von Code oder

Literalen: "hello“ statt "hello"

verweis Benannte Hyperlink-Verweise (`Text`_ oder `Text <url>`_) fehlen

in der Uebersetzung oder haben den abschliessenden Unterstrich

verloren. Ohne ihn ist es kein Verweis mehr, sondern Kursivtext.

bindestrich Leerzeichen zwischen Rolle und angehaengtem Wort:

:exc:`GeneratorExit` -Ausnahme

Technisch harmlos, im Satz aber ein Fremdkoerper.

Das Skript aendert nichts. Es meldet nur, wo etwas zu tun ist -- die

Korrekturen sind oft Ermessensfragen und gehoeren von Hand entschieden.

Aufruf:

python tools/check_markup.py # ganzes Repo

python tools/check_markup.py reference library # nur diese Pfade

python tools/check_markup.py --art code,klammer # nur diese Fehlerarten

python tools/check_markup.py --max 5 # je Art hoechstens 5 Beispiele

python tools/check_markup.py -o bericht.md # Markdown-Bericht schreiben

python tools/check_markup.py --nur-zahlen # nur die Zusammenfassung

Rueckgabewert: 0 wenn nichts gefunden wurde, sonst 1 -- damit laesst sich das

Skript in pre_push_check.sh und in die CI einhaengen.

Es werden nur .po-Dateien gelesen; nichts wird geschrieben.

"""

import argparse

import re

import sys

from pathlib import Path

AUSSCHLUSS = [".venv", ".git", "cpython-src", "__pycache__", "locales"]

# --- Fehlermuster ----------------------------------------------------------

ROLLE = r":[a-zA-Z][\w-]*:`"

MUSTER = {

"klammer": [

# Ein '*' direkt nach einem Wort schliesst eine Hervorhebung

# (*keine* :attr:`...`) und ist kein Fehler.

(re.compile(r'(?<![\w*])\*[ \t]+' + ROLLE), "Stern vor Rolle"),

(re.compile(ROLLE + r'[^`]*`[ \t]*\*(?!\*)(?=[\s,.;:)])'), "Stern nach Rolle"),

"anzeige": [

(re.compile(ROLLE + r'[ \t]*<'), "Rolle ohne Anzeigetext"),

"bindestrich": [

(re.compile(r'(?:' + ROLLE + r'[^`]*`|``[^`]+``)[ \t]+-[A-Za-zÄÖÜäöüß]'),

"Leerzeichen vor Bindestrich"),

}

# Spans, die zu gueltiger Auszeichnung gehoeren -- alles andere ist ein

# einzelnes, "loses" Backtick.

GUELTIG = re.compile(

r'``[^`]+``' # ``Literal``

r'|:[a-zA-Z][\w-]*:`[^`]*`' # :rolle:`Text`

r'|`[^`]+`__?' # `Link <url>`_ bzw. `_

)

def lose_klammer(text: str) -> str:

"""Meldet eine ueberfluessige Backtick-Klammer um eine Rolle/ein Literal.

Gueltige Auszeichnung wird zuerst ausmaskiert. Was an Backticks uebrig

bleibt, gehoert zur Standardrolle (`x`) -- und wenn so ein Paar eine

Rolle oder ein Literal *umschliesst*, ist genau das der Schaden.

"""

maske = bytearray(len(text))

spans = []

for m in GUELTIG.finditer(text):

spans.append((m.start(), m.end()))

for i in range(m.start(), m.end()):

maske[i] = 1

lose = [i for i, z in enumerate(text) if z == '`' and not maske[i]]

for a, b in zip(lose[0::2], lose[1::2]):

for s, e in spans:

if a < s and e <= b:

return text[max(0, a - 30):min(len(text), b + 20)].replace("\n", " ")

if len(lose) % 2:

i = lose[-1]

return text[max(0, i - 30):i + 25].replace("\n", " ")

return ""

TYPOGRAFISCH = "„“”‚‘’"

VERWEIS = re.compile(r'`[^`]+`__?(?![\w`])')

LITERAL = re.compile(r'``([^`]+)``')

def ist_code(msgid: str) -> bool:

return "\n" in msgid and bool(CODE_START.match(msgid.lstrip()))

# --- PO-Parser (bewusst ohne polib, damit das Skript ueberall laeuft) ------

ENTKOMMEN = {"\\n": "\n", "\\t": "\t", "\\r": "\r", "\\\"": "\"", "\\\\": "\\"}

def entkomme(s: str) -> str:

aus, i = [], 0

while i < len(s):

if s[i] == "\\" and i + 1 < len(s):

paar = s[i:i + 2]

if paar in ENTKOMMEN:

aus.append(ENTKOMMEN[paar]); i += 2; continue

aus.append(s[i]); i += 1

return "".join(aus)

def po_eintraege(pfad: Path):

"""Liefert (po_zeile, quelle, msgid, msgstr) je Eintrag."""

zeilen = pfad.read_text(encoding="utf-8", errors="replace").split("\n")

i, n = 0, len(zeilen)

while i < n:

if not zeilen[i].startswith(("#", "msgid", "msgctxt")):

i += 1

continue

if zeilen[i].startswith("#~"): # obsolet

i += 1

continue

quelle = ""

while i < n and zeilen[i].startswith("#"):

if zeilen[i].startswith("#:") and not quelle:

quelle = zeilen[i][2:].strip().split()[0] if zeilen[i][2:].strip() else ""

i += 1

if i < n and zeilen[i].startswith("msgctxt"):

i += 1

while i < n and zeilen[i].startswith('"'):

i += 1

if i >= n or not zeilen[i].startswith("msgid"):

i += 1

continue

po_zeile = i + 1

def sammle(start, schluessel):

teile, j = [], start

m = re.match(schluessel + r'\s+"(.*)"\s*$', zeilen[j])

if m:

teile.append(m.group(1))

j += 1

while j < n and zeilen[j].startswith('"'):

teile.append(zeilen[j].strip()[1:-1])

j += 1

return "".join(teile), j

msgid, i = sammle(i, "msgid")

if i < n and zeilen[i].startswith("msgid_plural"):

_, i = sammle(i, "msgid_plural")

if i >= n or not zeilen[i].startswith("msgstr"):

continue

msgstr, i = sammle(i, re.escape("msgstr") + r'(?:\[\d+\])?')

if msgid and msgstr:

yield po_zeile, quelle, entkomme(msgid), entkomme(msgstr)

# --- Pruefungen ------------------------------------------------------------

def pruefe_eintrag(msgid: str, msgstr: str, arten: set) -> list:

"""Liefert [(art, beschreibung, ausschnitt), ...]."""

funde = []

if "klammer" in arten and not ist_code(msgid):

# In Codebloecken sind Backticks gewoehnlicher Text -- dort greift

# stattdessen die Pruefung "code".

schaden = lose_klammer(msgstr)

if schaden and not lose_klammer(msgid):

funde.append(("klammer", "Backtick-Klammer um Rolle/Literal", schaden))

for art in ("klammer", "anzeige", "bindestrich"):

if art not in arten:

continue

for rx, name in MUSTER[art]:

tr = rx.search(msgstr)

if tr and not rx.search(msgid):

a = max(0, tr.start() - 35)

funde.append((art, name, msgstr[a:tr.end() + 25].replace("\n", " ")))

break

if "verweis" in arten:

a = len(VERWEIS.findall(msgid.replace("\n", " ")))

b = len(VERWEIS.findall(msgstr.replace("\n", " ")))

if a != b:

funde.append(("verweis", "Benannte Verweise weichen ab",

f"Original {a}, Uebersetzung {b}"))

if "literal" in arten:

a = sorted(LITERAL.findall(msgid.replace("\n", " ")))

b = sorted(LITERAL.findall(msgstr.replace("\n", " ")))

# Nur *verlorene* Literale sind ein Fehler. Zusaetzliche Literale in

# der Uebersetzung sind meist Absicht (z. B. ein Objekttyp, den das

# Original als Flie\u00dftext fuehrt) und werden nicht gemeldet.

fehlt = [x for x in a if x not in b]

if fehlt:

funde.append(("literal", "Literale fehlen in der Uebersetzung",

f"fehlt: {fehlt}"))

if "code" in arten and ist_code(msgid):

za, zb = msgid.split("\n"), msgstr.split("\n")

if len(za) != len(zb):

funde.append(("code", "Zeilenzahl weicht ab",

f"{len(za)} Zeilen im Original, {len(zb)} in der Uebersetzung"))

else:

for x, y in zip(za, zb):

if x != y and "#" not in x:

funde.append(("code", "Code ausserhalb von Kommentaren geaendert",

f"{x.strip()[:55]!r} -> {y.strip()[:55]!r}"))

break

if "typo" in arten:

verdaechtig = []

if ist_code(msgid):

verdaechtig = [(msgid, msgstr)]

else:

verdaechtig = [(" ".join(LITERAL.findall(msgid.replace("\n", " "))),

" ".join(LITERAL.findall(msgstr.replace("\n", " "))))]

for quelle_t, ziel_t in verdaechtig:

treffer = [z for z in TYPOGRAFISCH if z in ziel_t and z not in quelle_t]

if treffer:

funde.append(("typo", "Typografische Anfuehrungszeichen im Code",

f"{''.join(treffer)} in: {ziel_t[:60]}"))

break

return funde

# --- Hauptprogramm ---------------------------------------------------------

ALLE_ARTEN = ["klammer", "anzeige", "verweis", "code", "literal", "typo",

"bindestrich"]

ERKLAERUNG = {

"klammer": "Ueberfluessige Backtick-/Stern-Klammer um eine Rolle -- zerstoert die folgenden Querverweise",

"anzeige": "Rolle ohne Anzeigetext -- der sichtbare Text fehlt",

"verweis": "Benannte Hyperlink-Verweise (`Text`_) fehlen oder sind beschaedigt",

"code": "Codeblock ausserhalb von Kommentarzeilen veraendert -- Beispiel ist nicht mehr lauffaehig",

"literal": "``Literale`` aus dem Original fehlen in der Uebersetzung -- Code wurde mituebersetzt",

"typo": "Typografische Anfuehrungszeichen innerhalb von Code oder Literalen",

"bindestrich": "Leerzeichen zwischen Rolle und angehaengtem Wort",

}

def main() -> None:

p = argparse.ArgumentParser(

description=__doc__, formatter_class=argparse.RawDescriptionHelpFormatter)

p.add_argument("pfade", nargs="*", default=["."],

help="zu pruefende Verzeichnisse oder Dateien (Vorgabe: alles)")

p.add_argument("--art", help="nur diese Fehlerarten, kommagetrennt: "

+ ", ".join(ALLE_ARTEN))

p.add_argument("--exclude", default=",".join(AUSSCHLUSS),

help="Verzeichnisse auslassen (kommagetrennt)")

p.add_argument("--max", type=int, default=20, metavar="N",

help="hoechstens N Beispiele je Fehlerart (0 = alle)")

p.add_argument("--nur-zahlen", action="store_true", dest="nur_zahlen",

help="nur die Zusammenfassung ausgeben")

p.add_argument("-o", "--ausgabe", metavar="DATEI",

help="Bericht zusaetzlich als Markdown schreiben")

args = p.parse_args()

arten = set(ALLE_ARTEN)

if args.art:

gewaehlt = {a.strip() for a in args.art.split(",") if a.strip()}

unbekannt = gewaehlt - set(ALLE_ARTEN)

if unbekannt:

sys.exit(f"Unbekannte Fehlerart(en): {', '.join(sorted(unbekannt))}")

arten = gewaehlt

aus = [a.strip() for a in args.exclude.split(",") if a.strip()]

dateien = []

for roh in args.pfade:

pfad = Path(roh)

if pfad.is_file() and pfad.suffix == ".po":

dateien.append(pfad)

else:

dateien.extend(sorted(pfad.rglob("*.po")))

dateien = [d for d in dateien if not any(t in d.parts for t in aus)]

if not dateien:

sys.exit("Keine .po-Dateien gefunden.")

print(f"{len(dateien)} Dateien werden geprueft ...", file=sys.stderr)

funde = {a: [] for a in ALLE_ARTEN}

betroffene_dateien = {a: set() for a in ALLE_ARTEN}

for nr, datei in enumerate(dateien, 1):

if nr % 100 == 0:

print(f" {nr}/{len(dateien)}", file=sys.stderr)

try:

for po_zeile, quelle, msgid, msgstr in po_eintraege(datei):

for art, name, ausschnitt in pruefe_eintrag(msgid, msgstr, arten):

funde[art].append((str(datei), po_zeile, quelle, name, ausschnitt))

betroffene_dateien[art].add(str(datei))

except Exception as fehler: # defekte Datei nicht verschlucken

print(f" !! {datei}: {fehler}", file=sys.stderr)

zeilen = []

gesamt = sum(len(v) for v in funde.values())

zeilen.append("## Zusammenfassung\n")

zeilen.append("|---|---:|---:|---|")

for art in ALLE_ARTEN:

if art not in arten:

continue

zeilen.append(f"| `{art}` | {len(funde[art])} | "

f"{len(betroffene_dateien[art])} | {ERKLAERUNG[art]} |")

zeilen.append(f"| **gesamt** | **{gesamt}** | "

f"**{len(set().union(*betroffene_dateien.values()) if gesamt else set())}** | |")

if not args.nur_zahlen:

for art in ALLE_ARTEN:

if art not in arten or not funde[art]:

continue

zeilen.append(f"\n## {art} -- {ERKLAERUNG[art]}\n")

zeigen = funde[art] if args.max == 0 else funde[art][:args.max]

for datei, po_zeile, quelle, name, ausschnitt in zeigen:

zeilen.append(f"- `{datei}:{po_zeile}` ({quelle}) -- {name}")

zeilen.append(f" - `{ausschnitt}`")

if len(funde[art]) > len(zeigen):

zeilen.append(f"- ... und {len(funde[art]) - len(zeigen)} weitere "

f"(mit `--max 0` vollstaendig)")

bericht = "\n".join(zeilen)

print()

print(bericht)

if args.ausgabe:

Path(args.ausgabe).write_text(

"# Auszeichnungspruefung der PO-Dateien\n\n" + bericht + "\n",

encoding="utf-8")

print(f"\nBericht geschrieben: {args.ausgabe}", file=sys.stderr)

sys.exit(1 if gesamt else 0)

if __name__ == "__main__":

main()

FilesExpand file tree

check_markup.py

Latest commit

History

check_markup.py

File metadata and controls