プラグイン/ヘルパーアプリケーションがなくても文書の内容を確認できる方法 ― 2006年04月19日 14時21分17秒
検索結果に PDF や Word 等の文書がある場合、ブラウザにプラグインやヘルパーアプリケーションがインストールされていないと、これらの中身を確認することができません。
しかし、nmzcat を利用することで、プラグインやヘルパーアプリケーションがインストールされていない場合であっても、テキストファイルとして中身を確認するぐらいはできます。
以下のCGIプログラムを /cgi-bin/totext.cgi として用意します。
#!/usr/bin/perl
use CGI;
use Config;
$ENV{'LANG'} = 'ja_JP.eucJP';
my $tmpdir = "/tmp";
if ($Config{osname} =~ /^(MS)?Win/) {
$ENV{'PATH'} = "C:\\usr\\local\\bin;" . $ENV{'PATH'};
$tmpdir = "$ENV{'TMP'}";
} else {
$ENV{'PATH'} = "/usr/local/bin:" . $ENV{'PATH'};
}
my $query = new CGI;
my $uri = $query->param('uri');
my $path = $uri;
# Replace
$path =~ s!^http://www.foo.bar.jp/!/usr/local/namazu/index/!s;
system("/usr/local/bin/nmzcat \"$path\" > \"$tmpdir/$$.txt\"");
my $cont;
open(IN, "/tmp/$$.txt");
while(my $line = <IN>) {
$cont .= $line;
}
close(IN);
unlink("/tmp/$$.txt");
$cont =~ s/&/&/g;
$cont =~ s/</
そして、NMZ.result.normal.ja を以下のように書き換えます。
<dt>${namazu::counter}.
<strong><a href="/cgi-bin/link.cgiuri=${uri}">
${title}</a></strong> (アクセス数: ${accessrank})</dt>
<dd><strong>著者</strong>: <em>${author}</em></dd>
<dd><strong>日付</strong>: <em>${date}</em></dd>
<dd>${summary}</dd>
<dd><a href="/cgi-bin/link.cgi?uri=${uri}">${uri}</a>
(${size} bytes)
[<a href="/cgi-bin/totext.cgi?uri=${uri}&dummy=dummy">
テキスト</a>]
<br><br></dd>
検索結果の[テキスト] のリンクを開くと、文書の中身をみることができます。
なお、このCGIはセキュリティ対策を行っていませんので、このまま使用するのは危険です。ご注意ください。
UTF-8 に対応した分かち書きツール ― 2006年04月19日 22時25分22秒
開発版の kakasi では UTF-8 の入出力が可能です。
しかし、内部で EUC-JP に変換して処理後、UTF-8 に再変換して出力するだけですので、EUC-JP に含まれない文字の処理はできません。
kakasi では3バイト文字に対応していませんので、JISX0212補助漢字(またはJISX0213 JIS第3/4水準漢字)には対応していません。
このため、Namazu の UTF-8 化に伴い、UTF-8 の分かち書きが可能なツールが欲しいものです。
Namazu の開発版には簡易分かち書き機能がありますので、これを発展させるか、あるいは kakasi の分かち書き機能を切り出して UTF-8 化を行うというのも良いかもしれません。
なお、ChaSen, MeCab は、辞書を UTF-8 で用意すれば UTF-8 で処理が可能ではあります。
しかし、内部で EUC-JP に変換して処理後、UTF-8 に再変換して出力するだけですので、EUC-JP に含まれない文字の処理はできません。
kakasi では3バイト文字に対応していませんので、JISX0212補助漢字(またはJISX0213 JIS第3/4水準漢字)には対応していません。
このため、Namazu の UTF-8 化に伴い、UTF-8 の分かち書きが可能なツールが欲しいものです。
Namazu の開発版には簡易分かち書き機能がありますので、これを発展させるか、あるいは kakasi の分かち書き機能を切り出して UTF-8 化を行うというのも良いかもしれません。
なお、ChaSen, MeCab は、辞書を UTF-8 で用意すれば UTF-8 で処理が可能ではあります。
最近のコメント