TeX – 5 (příklad makra pro generování HTML) (diskuse)

[Josef Kufner]

Jo, HTML umí LyX také (ne, neodpustím si to ). Krom nějaké vestavěné podpory exportu existuje i nástroj eLyxer, který produkuje velice slušné výsledky (celý jeho web je v něm udělaný). Dokonce i s matematikou si docela poradí a není to povětšinou nijak tragické.

A mimochodem, tag <title> je v HTML povinný.

[egg]

Dokonce i s matematikou si docela poradí a není to povětšinou nijak tragické.

Nic moc. MathJax to umí lépe.

[Josef Kufner]

Jo, umí a eLyxer ho umí použít (i když to také není úplně dokonalé). Ale přecejen, Mathjax má zabalený nějakých 17 MB, tak není moc praktické ho používat vždy, obzvlášť pokud dokument není příliš "matematicky náročný".

[xkucf03]

Mathjax má zabalený nějakých 17 MB

OMG. A i bez toho mi přijde lepší generovat ty vzorečky offline – vyrobit z nich jednorázově nějakým generátorem HTML+CSS+JS+SVG a ne to renderovat všechno až na klientovi.

[Jindřich Makovička]

Huh? Demo stránka MathJaxu má asi 200 kB a většina z toho se navíc cachuje.

[little.owl]

MathJax a TeX4ht zde.

[robertK]

To asi nebude moc dobry priklad, Mathjax umi i normalni sumy, ne takovy kravy :)

[little.owl]

Moje dokumenty dopadly s TeX4ht mnohem hure, tohle je nejlepsi co jsem zatim videl. Z nejakeho duvodu to generuje MathML s mathsize="big" u sum.

[robertK]

Ja mam vystup z TeX4ht pres jsmath, jenom jsou hlavicka a nejake veci kolem mirne upravene pro mathjax. Myslim, ze to vypada lip.

ukazka 1

ukazka 2

[michal.h21]

zrovna na těchhle ukázkách je vidět jeden ošklivý bug tex4ht. formátovaný text (například v \textit{}) je obalený v elementu span a je pro něj vygenerovaný css kód snažící se zachovat formátování (velikost písma, zarovnání, atp.). pokud tento text obsahuje diakritiku, tak zvnikne třeba toto:

 
<span 
class="cmti-10">regul</span><span 
class="cmti-10">á</span><span 
class="cmti-10">rn</span><span 
class="cmti-10">í</span>

tenhle problém řeším v make4ht s pomocí filtrů

[robertK]

Diky. Ja jsem si toho taky vsiml, rikal jsem si ze se to nejak povede osetrit uvnitr TeX4ht, ale tam se spatne hleda co a kde je potreba nakonfigurovat. Tak jsem si rikal zaplat panbuh aspon za toto :)

[michal.h21]

tohle se ani nedá nakonfigurovat, vkládá to program tex4ht při extrakci textu z dvi souboru. bohužel se nezdá, že by tu chybu někdo opravil, očividně jediný kdo rozuměl zdrojákům tohoto programu byl autor tex4ht, který zemřel. další podobná chyba zabraňuje použití open type fontů v konvertovaných souborech, samotný TeXový základ s nimi problémm nemá, ale nedojde k extrakci textu z dvi souboru. existuje hack který se to pokouší řešit, ale není úplně stoprocentní.

[little.owl]

Tak vypada to urcite lepe - na muj vkus trochu omalovanka - ale je videt, ze jste si s tim vyhral. Ohledne vzorcu, sumy a integraly vypadaji ve Firefox 25 bidne v HTML-CSS verzi, dobre v MathML a SVG, HTML-CSS verze vypada dobre v Exploreru, hure v Google Chrome.

Mne prave vadi ta nutnost doupravovat ten vystup, pokud mate jeden dva dokumenty, je to OK, pokud ale desitky nebo stovky jste namydlen, coz je priklad meho odkazu - jde o dokument z archivu Cornell University.

[michal.h21]

další ukázky tex4ht + mathjax a tex4ht + epub3

[Severák]

Tohle je určitě zajímavý postup. Zrovna nedávno jsem vysázel jeden časopis v TeXu (konkrétně ConTeXtu) a pak jsem hledal nějaký nástroj na převod do HTML. Nakonec jsem skončil u kombinace context » pandoc » (ruční čištění) » markdown » (opět ruční čištění) » HTML. Nebylo to zas tak zlé (pandoc má totiž docela schopný parser na ConTeXt, akorát vlastní uživatelova makra pochopitelně nechápe), ale přeci jen v tom byla nějaká ruční práce.

Jinak existuje nějaký způsob jak TeX donutit, aby ten výtup šel rovnou do textového souboru, tj. vyhnout se převodu z PDF?

[NIgga Nigga]

Možná nějak ve spojení s LuaTeXem a nějakým Lua skriptíkem.

[xkucf03]

Tohle je určitě zajímavý postup.

Zajímavý je a rád jsem si to přečetl. Ale vyrobit PDF a z něj pak vytáhnout zase prostý text, mi nepřijde jako moc čisté řešení.

[little.owl]

Dílem proto, že konverze z TeXu není v principu možná bez stejné interpretace textu, jakou provádí TeX samotný: TeX si totiž pomocí přečtených maker sám určuje, jakým způsobem bude číst další řádky zdrojového textu a jak je bude interpretovat.

Ano, musi to delat nejaky TeX backend, ktery ma informaci jak interpretovat co chtel autor textu rici.

Pomocí pdfTeXu vytvořím PDF soubor, který obsahuje kompletní HTML kód. Pak stačí pomocí příkazu ... z něj udělat HTML soubor.

Tohle sice funguje, v mezich mozneho je to i elegantni, nicmene je to stale drbani se levou nohou za pravym uchem.

[Fluttershy, yay!]

Podotknul bych pouze, že řešení, které ze skoro každého vzorečku vygeneruje pro HTML stránku obrázek, mi připadá poněkud humpolácké: textové písmo pak ve www prohlížeči vizuálně nenavazuje na písmo ve vzorečku. Konverze do MathML nebo něčeho podobného je tedy žádoucí. Bohužel ani 15 let po vzniku MathML není tento jazyk implementován ve všech běžných webových prohlížečích, což odrazuje od dalších aktivit.

Ačkoli jsem matematik, osobně se vyhýbám vzorečkům v HTML stránkách jako čert kříži. Takže ani v následující ukázce tento problém neřeším. Důvody byly řečeny před chvílí.

Hlavu do písku samozřejmě strkat můžeme, ale popularita malých čteček podporujících EPUB a současně nevhodných pro prohlížení PDF je prostě fakt. Vzhledem k nepodpoře MathML ve WebKitu a velikosti/náročnosti skriptů jsou obrázky celkem jasná volba.

[michal.h21]

obrázky jsou volba na nic - každá čtečka má jiné rozlišení, takže bysme museli tvořit obrázky v rozlišeních pro monitor, pro e-ink, pro retina displeje, atd. možností je použít svg, ale stejně je pořád problém u inline matematiky, protože nebude sedět na účaří (viz http://tex.stackexchange.com/q/44486/2891).

jediná cesta je epub3+mathml

[robertK]

Polohu ucari resi treba mathtex, viz navod. Staci skript volat dvakrat, jednou se dotazat na polohu ucari a podruhe si nechat vykreslit vzorec.

[Fluttershy, yay!]

Troufám si tvrdit, že 99 % používá 600×800 nebo 768×1024. Až to bude jinak, je pravděpodobné, že situace kolem podpory MathML bude také vypadat jinak.

[xkucf03]

Už jsem se na to ptal minule: šlo by udělat SAX parser pro TeX? Který by četl zdrojový soubor TeXu a emitoval události typu:

• začátek elementu
• atribut
• text
• konec elementu

Takže ze zdroje:

\sec Nadpis

text

by vylezlo např.

<command name="sec">Nadpis</command>
<paragraph>text</paragraph>

nebo lépe

<sec>Nadpis</sec>
<paragraph>text</paragraph>

(samozřejmě ne jako textový výstup ale jako SAXové události)

Nemuselo by se jít nijak do hloubky, dovnitř maker – stačilo by zpracovat značkování, které je přímo ve zdrojovém dokumentu. Případně by se nějak definovala makra, která se ještě mají interpretovat (např. makro, které vypisuje název firmy, ano, zatímco jiná makra ne).

Kdyby existoval takovýhle obecný nástroj, tak by se daleko lépe daly psát další konvertory, které by tyhle jednoduché události zpracovaly a generovaly různé další formáty.

Ale přijde mi to celkem složité, protože to není jen \něco, ale i \něco[…]{…}, \něco[a=1, b=2, …]{…} nebo třeba \verb|…| případně \scalebox{-1}[1]{F} atd.

[Josef Kufner]

Jediný způsob jak zpracovat TeXový dokument je spustit ho. Proto je hloupé používat Turing-complete jazyk pro dokumenty. Můžeš udělat interpret nějaké omezené podmnožiny předem známých maker, ale dokonalé to nikdy nebude. Trošku lepší situace je u LaTeXu, kde ty makra mají alespoň jednotnou strukturu \makro[]{} a \begin[]{} … \end{} a snahu oddělit text od kódu, ale i tady narazíš na stejný problém s tím, že obecně to můžeš jen spustit.

V tomhle má obrovskou výhodu XML a XHTML (případně i olomítkované HTML5), kde nemusíš rozumět významu značek a přitom to můžeš zpracovat.

[xkucf03]

Jde mi o tu myšlenku generování různých výstupů z jednoho vstupního formátu – proto se taky ptám pod tímhle článkem. I když musím říct, že se čím dál víc taky uchyluji myšlence: DocBook nebo nějaký vlastní XML formát jako obecný zdroj + generování různých výstupů (z nichž jeden je TeX/LaTeX a následně PDF).

Akorát je pak trochu potíž, když napíšeš třeba diplomku, vygeneruješ si z ní ten LaTeX a PDF a zjistíš, že by tady ještě chtěla typografie nějak doladit, manuálně zasáhnout do vygenerovaného .tex souboru. U té diplomky to ještě jde, tu vydáš jednou a hotovo, ale třeba taková firemní dokumentace – tu je potřeba aktualizovat, vydávat nové a nové verze. Tam pro manuální zásahy není prostor, to by člověka umořilo a stejně by na to občas zapomněl.

Tohle by mělo jít řešit pomocí něčeho jako instrukce pro zpracování (nebo přímo pomocí nich), kde byl uvedl příkazy/kód pro ten který výstupní formát a při generování ostatních by se to ignorovalo – takže by šlo do zdrojového formátu vložit kus i TeXu nebo kus XHTML, pokud by to bylo potřeba. A ručním změnám generovaného výstupu by se šlo teoreticky úplně vyhnout.

[michal.h21]

nebo je možnost používat normálně LaTeX a od začátku testovat konverzi pomocí tex4ht. defaultní výstupy nejsou nejhezčí, ale je absolutně konfigurovatelný, takže není problém si je přizpůsobit k obrazu svému. na TeX.sx se dá najít spousta ukázek.

[Josef Kufner]

Jo, LaTeX je skvělý pro sazbu a koncové zpracování dokumentu. Ale na cokoliv předtím je na nic. Na druhou stranu je potřeba mít možnost trošku popošťouchnout, když někde něco nesedne úplně dobře.

Pokud jde o nějakou firemní dokumentaci, viděl bych to na LyX. Hlavní výhodou je, že je to docela dobře stravitelné i pro obyčejné smrtelníky. Pokud nezapneš kompresi, tak je dokument uložen v textové formě, která je diff friendly. Na merge bych si netroufl, ale git diff je v pohodě čitelný. Výstup do PDF je v podstatě čistý LaTeX (a můžeš vkládat přímo kusy LaTeXu v editoru). Výstup do HTML skrz (na začátku diskuse zmíněný) eLyxer je docela pěkný (včetně obrázků), asi by to jen chtělo přidat "firemní" CSS. Ale krom toho má LyX i nativní export do HTML, který je mnohem zajímavější, pokud to s ním myslíš vážně. V LyXu totiž je k layoutu (odstavec, nadpis, seznam,…) definováno, jak bude vypadat v LyXu (WYSIWYG editoru), jak v LaTeXu a jak v HTML (a možná i v něčem dalším). Takže můžeš přidávat vlastní konstrukce (styly) do dokumentu a přitom nepřijdeš o možnosti exportu.

Druhou možností na psaní dokumentace, o které uvažuju, je Markdown. Je docela rozšířený a pokud jde o text přiložený přímo k programu a zobrazovaný v něm (nápověda), je nepraktické vyžadovat LyX či podobné "velké" nástroje. Ale zas Markdown není rozšiřitelný a kdo si má pamatovat, jak se co vlastně formátuje.

[little.owl]

Druhou možností na psaní dokumentace, o které uvažuju, je Markdown.

Zmineny reStructuredText a Sphinx.

[Josef Kufner]

To vypadá zajímavě, ale mám tu ještě pár dalších technických omezení, jako např. že pro převod zdrojového textu do HTML musí stačit obyčejné PHP, nebo drobnou výhodu v tom, že GitHub umí zobrazovat Markdown bez další pomoci.

[Fluttershy, yay!]

zjistíš, že by tady ještě chtěla typografie nějak doladit

Tvoje starosti a Rothschildovy prachy...

[Michal Vyskočil]

Jde mi o tu myšlenku generování různých výstupů z jednoho vstupního formátu – proto se taky ptám pod tímhle článkem. I když musím říct, že se čím dál víc taky uchyluji myšlence: DocBook nebo nějaký vlastní XML.

Protože XSLT je ještě o něco méně čitelné, než TeXová makra?

[xkucf03]

XSLT je šikovné v tom, že můžu napsat šablonu, která odchytí element s určitými atributy nebo element uvnitř jiného elementu nebo i složitější podmínky.

Např. tahle šablona se aplikuje jen na určité odkazy:

<xsl:template match="a[
	starts-with(@href, 'http://') 
	or starts-with(@href, 'https://')
	or starts-with(@href, 'ftp://')
	or starts-with(@href, 'mailto:')
	]">
	…
</xsl:template>

a ostatní se zpracují buď jinou šablonou nebo se přeskočí nebo z nich zbude jen text.

Jde tohle udělat pomocí TeXového makra? Nebo bych musel předefinovat celý příkaz (bez ohledu na jeho parametry/obsah) např. \url a dovnitř nacpat nějaké IFy?

[Michal Vyskočil]

V tomhle má obrovskou výhodu XML a XHTML (případně i olomítkované HTML5), kde nemusíš rozumět významu značek a přitom to můžeš zpracovat.

Hahaha!

[little.owl]

Obavam se, ze opet zkoncite u polododelaneho konvertitka, kterych zase neni az tak malo.

Pak se mi zda i cesta pres PDF lepsi - pokud se dale doplni o dalsi makra, nebot ziskate (a) pouzitelny dokument pro TeX a (b) cisty html kod, ktery lze dale zpracovat bez hackovani.

[xkucf03]

Jenže co když se mi v tom PDF objeví třeba poznámky pod čarou nebo po straně nebo něco jiného, s čím jsem při tvorbě HTML maker nepočítal? To mi pak úplně rozbije ten výstup, který vznikne převodem PDF na prostý text.

Ten SAX parser by právě umožňoval ty věci, kterým navazující nástroj nerozumí (nebo nechce rozumět) prostě přeskočit, ignorovat a odchytávat si jen ty značky/příkazy, které mě zajímají a které umím v tom kterém výstupním formátu vykreslit.

[robertK]

Poznamky pod carou by se daly nechavat v pameti (nebo psat do externiho souboru) a pouzit na konci dokumentu. S prislusnymi odkazy, ktere se daji pomoci par radku v jquery zmenit na to, ze texty z poznamek pod carou se objevi po mouseover. Nemusel by to byt problem.

[xkucf03]

Poznamky pod carou by se daly nechavat v pameti

Jenže na se právě musím připravit předem – nejde to použít na obecný TeXový dokument.

Ještě mne napadla jedna věc: z TeXu se přece dají volat shellovské skripty nebo obecně příkazy, ne? Tak bych mohl předefinovat jen vybraná makra (která chci generovat v tom výstupním formátu) a na nich vždycky zavolat příkaz operačního systému, který by nějak obalená data poslal do souboru nebo nějaké roury – nezajímal by mě pak výstup pdflatexu, ale výstup těch příkazů postupně volaných z maker. Akorát by to znamenalo postupně spustit spoustu procesů (pro každý TeXový příkaz/makro, pro každý odstavec…).

Pak by tomu šlo podstrčit libovolný dokument v TeXu a filtrem by prolezlo jen to, co bych předem definoval – ostatní formátování by se zahodilo/přeskočilo.

[Fluttershy, yay!]

Kniha nebo tak něco v latexu IIRC dává poznámky na konec ve výchozím stavu.

[xkucf03]

Já měl vždycky poznámky pod čarou na konci dané stránky, ale i bez toho, bys tam měl¹, což by ti pak zaplevelilo to HTML, které bys chtěl získat převodem PDF na text, a vlastně i ty poznámky na konci knihy by tam dělaly bordel.

_{[1] to číslo v textu, které odkazuje na poznámku}

[pozortucnak]

Moc jsme to nezkoumal, ale ConTeXt umí XML...

http://tex.stackexchange.com/questions/43052/converting-context-document-to-html

http://wiki.contextgarden.net/XML

[xkucf03]

Dík, tohle vypadá zajímavě, prostuduji…

[olsak]

V článku jsem zmínil možnost použití MathJaxu, ale makra jsem neukázal. Kdyby si s tím chtěl někdo hrát, tady jsou makra využívající MathJax. Místo definice \html ze souboru abchtml.tex je možné použít následující řádky:

 % Hlavička HTML:
\def\html{{\everypar={}\parskip=0pt\Blue {\typoscale[700/700]
  <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0//EN"
  "http://www.w3.org/TR/1998/REC-html40-19980424/strict.dtd" >\endgraf
  \tag{html lang="cs"}\endgraf
  \tag{head}
    <meta http-equiv="Content-Type" content="text/html; charset=UTF8">\endgraf
    \noindent\tag{title}Mathjax test\tag{/title}\endgraf
    \tag{script type="text/x-mathjax-config"} % MathJax
    \mjcode\endgraf
    \tag{/script}
    \tag{script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS-MML\string_HTMLorMML"}
    \tag{/script}
  \tag{/head}\endgraf}
  \tag{body}\endgraf\Black}\bigskip\bigskip}

% Inicializační kód MathJaxu
\def\readmeaning#1->#2\end{#2}
\def\mjcode{\bgroup\catcode`\#=12 \mjcodeA} 
\def\mjcodeA#1{\def\mjcode{#1}%
   \xdef\mjcode{\expandafter\readmeaning\meaning\mjcode\end}\egroup} % de-tokenizace
\mjcode{
  MathJax.Hub.Config({tex2jax: {inlineMath: [["\\$","\\$"]]}});
  MathJax.Hub.Config({ TeX: { Macros: {
      "\(": "\\left(",
      "\)": "\\right)",
      bold: ["{\\bf #1}",1]
  } } });
}

% Použití MathJaxu:  \mj$...matika...$ nebo \mj$$...display matika...$$
\def\mj$#1${\if^#1^\expandafter\displaymj \else \printmj{\string\$}{#1}\fi}
\def\displaymj#1$${\endgraf \notagindent\printmj{\string$\string$}{#1}}
{\catcode`&=12
\gdef\printmj#1#2{\def\tmpb{#2}%
   \edef\tmpb{\expandafter\readmeaning\meaning\tmpb\end}% de-tokenizace
   \replacestrings{&}{&amp;}% citlivé HTML znaky nahradím entitami
   \replacestrings{<}{&lt;}\replacestrings{>}{&gt;}%
   {\tt#1\tmpb#1}}
}

Makra předpokládají, že před každým vzorečkem ve zdrojovém textu je napsáno \mj, tedy \mj$...matika...$ nebo \mj$$...matika...$$. Mohl bych to sice dát do \everymath a \everydisplay, ale někdy je lepší to mít pod vlastní kontrolou. Do html stánky přepíše makro doslova stejný vzoerec obalený \$...\$ nebo $$...$$. Je to jiné, než v TeXu, protože v html potřebuji, aby se samotný $ choval normálně. Návrh v dokumentaci MathJaxu použít \(...\) jsem nevyužil, protože tyto sekvence používám na zvětšovací závorky.

[Tomáš Pecina]

Dá se nějak kombinovat XeTeX a pdfTeX? Když si vygeneruji podle návodu z TPP formát csplainu pro XeTeX, mohu používat systémové fonty, ale zase nejsou přístupné funkce pdfTeXu. Což mě mrzí, protože jsem si na ně už zvykl a používám je. Je možnost obojí nějak spojit?

[olsak]

LuaTeX obsahuje luaotfload.lua, což je kód, který nejen umožní číst OpenType fonty v instalaci TeXu, ale na pozadí vyvolá skript, který prohledá příslušná místa v systému a vytvoří si databázi jmen fontů propojených s jejich umístěním v systému. Při prvním použití \font odkazujícím na název fontu v systému ten skript nějakou chvíli pracuje a databázi si vytvoří. Při opakovaném použití už dokáže hledat celkem rychle. Pokud do systému přidáte font a chcete ho načíst do TeXového dokumentu, \font nejprve v databázi font nenajde. Skript má v takovém případě za úkol databázi obnovit a spustit příkaz \font opakovně. Vše se děje bez zásahu uživatele. Ovšem kromě toho existuje skriptík k manuálnímu ovládání té databáze. Dají se v ní některé fonty dát na černou listinu, protože například nejsou kvalitní nebo ne zcela správně fungují.

[Tomáš Pecina]

To je taky cesta k cíli, ale ne taková, jako bych si představoval. Jako základní font mi stačí to, co má plainTeX standardně, ale občas, třeba na hlavičkový papír, potřebuji nějaký exotický font, který mám např. v TTF. Pokud je v systému (v Linuxu to znamená, pokud je v adresáři fontů), XeTeX ho umí přímo použít - ale zase neumí příkay pdftexu.