HTML to LaTeX

• 1.0.0 HTML2TeX
• 1.1.0 HTML を LaTeX に変換してくれる
• 1.10.0 何とか...
• 1.11.0 プログラムの説明欄
• 1.11.1  貴重な情報が捨てられている!
• 1.12.0 Reference の処理
• 1.13.0 数式
• 1.14.0 結論
• 1.2.0 コンパイル
• 1.2.1  コンパイラの警告メッセージ
• 1.3.0 使い方
• 1.3.1  エラーメッセージ
• 1.4.0 変換の基礎能力
• 1.5.0 画像を含むページの保存
• 1.6.0 特殊文字の認識
• 1.7.0 スタイルタグ
• 1.8.0 リンクの扱い
• 1.9.0 HTML と LaTeX の目標の違い
• 2.0.0 HTML2LaTeX

2007/09/18

HTML2TeX

HTML を LaTeX に変換してくれる

• HTML to LaTeX (version 2.7)
  http://www.iwriteiam.nl/html2tex.html
  

このようなツールは僕にとって実に有り難いのである。

僕は tt 形式を基に ptt と言う変換ツールを使って HTML を生成している。tt 形式は HTML 形式に比べて遥かに文章を書きやすい。だから僕の web ページは(古い一部の記事を除けば)全て tt 形式で書かれている。

僕のような事をしなくても、現在世の中にはワープロの文書を HTML に落とす環境は整っている。だから変換ツールがちゃんと働けば、ワープロ感覚で LaTeX の文書が作れるのだ。

僕の当面の目標は HTML で書かれた僕の Rit に関する記事
http://plan9.aichi-u.ac.jp/rit/rit-1.4.html
を LaTeX に自動変換することである。なにしろ僕は英作文が上手とは言えない。だから僕の英文は五月雨式に改訂される。その度に手作業で LaTeX に変換していたのでは堪らない。だから質の良いツールが欲しいのである。

コンパイル

	cc -o html2text html2tex.c

コンパイラの警告メッセージ

#ifndef ASCII8
		if ((unsigned char)*str >= 160 && (unsigned char)*str <= 255)
		{   special = TRUE;
			v = (unsigned char)*str - 160;
			ch = ch_table[v].ch;
		}
		else
#endif

	&& (unsigned char)*str <= 255)

使い方

	html2tex rit.html

エラーメッセージ

	file `rit%20Files/fig1.png' does not exist.

	<img src="fig1.png">

	<img src="rit%20Files/fig1.png">

変換の基礎能力

	<h1>, <h2>, <h3>, ...
	<br>, <p>, ...
	<pre>, <code>, <em>
	<ol>, <ul>, <dl>, <li>,

-bash$ grep table *.c
html2tex.c:216:         - ignore HTML3 tables and meta (for now).

画像を含むページの保存

• Safari は 「Webarchive」 として保存するが、独自の形式である。(考え方は tar に似ているのだろうね)
  
• Firefox は Camino と良く似ているが、空白文字ではなく下線記号を使っている。今のケースでは "rit_Files" が作られるのである。これであれば text2tex は問題を起こさないであろう。
  
• "wget -r" は サーバのファイル構造を忠実に反映させようとする。
  

結局僕は "wget" を使う事にした。

特殊文字の認識

"html2tex.c" を見るに

-bash$ grep mdash *.c
                  { "emdash", "---",      '-' },

以下に HTML で使われる特殊文字を解説したサイトを 2 つばかりリストアップしておく。これらによると "mdash" なのだ。

• Typesetting dashes in HTML
  http://www.cit.gu.edu.au/~anthony/wwwlab/iso/dashes.html
  
• Character Codes
  http://www.lyberty.com/encyc/articles/charcodes.html
  

スタイルタグ

リンクの扱い

<a href="http://plan9.aichi-u.ac.jp/netlib/cmd/rit/">http://plan9.aichi-u.ac.jp/netlib/cmd/rit/</a><br>

http://plan9.aichi-u.ac.jp/netlib/cmd/rit/\footnote{See URL http://plan9.aichi-u.ac.jp/netlib/cmd/rit/}\newline

幸い html2tex には "-b" のオプションがある。これによってフットノートにではなく、bibliography にレファレンスを書くらしい。しかしそのファイルが何処に作られたのか、見当たらない。取りあえず問題は解決だが...、僕はまだ良く分かっていないらしい。

HTML と LaTeX の目標の違い

極く簡単な例として abstract を考えてみる。
HTML に "abstract" タグがあれば問題ないが、残念ながら存在しない。そこで rit.html では abstract の部分は

<div class="abstract">
....
</div>

div.abstract{
	margin-left:10%;
	margin-right:10%;
	margin-top: 1ex;
	margin-bottom:0ex;
}

それでも妥協の方法として(美しくはないが)

<abstract>
<div class="abstract">
....
</div>
</abstract>

\begin{abstract}
...
\end{abstract}

しかし何かできるようだがよくわからん!

何とか...

「スケルトンファイル」に基本的なドキュメントの骨格を書く。そしてこのファイルを html2tex コマンドの引数として与える。 "rit.html" のためのスケルトンファイルを "rit" とすると

	html2tex rit

スケルトンファイルは基本的に LaTeX のファイルであり、主たる役割は "\begin{document}" の前に書くべき情報を html2tex に与える事らしい。以下このファイルを rit とする。

\documentstyle[A4j,12pt]{article}
%html -s article
\pagestyle{empty}
....
\title{Rit \newline --- Embedded Rc in Text ---}
\date{}
\author{Kenji Arisawa, Aichi University\\
{\normalsize\tt arisawa@aichi-u.ac.jp}}
\begin{document}
\sf
\maketitle\thispagestyle{empty}
%html -b
%html rit.html
\end{document}

	%html rit.html

<!--latex-off-->
<h1>Rit<br>
<span style="text-align: center; font-size: 80%;"> — Embedded Rc in Text —</span>
</h1>
<!--latex-on-->
<div class="abstract">
....
</div>

プログラムの説明欄

<div class="code"><pre>
....
</pre></div>

\begin{center}
\begin{boxedminipage}[h]{14cm}
\begin{verbatim}
....
\end{verbatim}
\end{boxedminipage}
\end{center}

注: html2tex の内部では

%html -d pre     -verb "\begin{verbatim} "  "\end{verbatim}\nl"

貴重な情報が捨てられている!

	rit.html (355) : unknown <div>.
	rit.html (366) : unknown </div>.

	else if (tagkind == T_ILL)
	{   	if (freport != NULL)
			fprintf(freport, "%s (%d) : unknown <%s>.\n",
				html_fn, ln, html_com);

	}

	else if (tagkind == T_ILL)
	{   	if (freport != NULL)
			fprintf(freport, "%s (%d) : unknown <%s>.\n",
				html_fn, ln, html_com);
		if(fout){  // Kenar
			if(attr_name)
				fprintf(fout, "\n%% <%s %s=\"%s\">\n",
					html_com, attr_name, attr_val);
			else
				fprintf(fout, "\n%% <%s>\n", html_com);
		}
	}

<div class="code"><pre>
....
</pre></div>

% <div class="code">
\begin{verbatim}
....
\end{verbatim}

% </div class="code">

s/^% <div class="abstract">/\\begin{abstract}/
s/^% <\/div class="abstract">/\\end{abstract}/
s/^% <div class="code">/\\begin{center}\\begin{boxedminipage}[h]{14cm}/
s/^% <\/div class="code">/\\end{boxedminipage}\\end{center}/
/thebibliography/,$ { s/\\cite{[^}]*}//g; }
# -------------------
s/^fig1$/\\begin{center}\\scalebox{0.5}{\\includegraphics{fig1.pdf}}\\end{center}/
s/^fig2$/\\begin{center}\\scalebox{0.5}{\\includegraphics{fig2.pdf}}\\end{center}/
s/^Fig\..:.*/\\begin{center}&\\end{center}/
s/subsection/section/
s/\\section{References}//

	/thebibliography/,$ { s/\\cite{[^}]*}//g; }

HTML では全ての URL にリンクを張っておくのは自然であるが、htmp2tex は全てのリンクを "\footnote{...}" にするか "\cite{...}" で参考文献と結びつける。本文ではこの考えで良いのであるが、bibliography の URL に対しても行うのである!

また、このファイルの

	s/subsection/section/

Reference の処理

HTML 文書中に LaTeX の命令を埋め込むことができる。これはコメントとして埋め込む。例えば

To the contrary, both Rit and Rc<!--latex \cite{kn:Rc}--> is small.

To the contrary, both Rit and Rc\cite{kn:Rc} is small.

\begin{thebibliography}{99}
...
\bibitem{kn:Rc}
http://cm.bell-labs.com/sources/plan9/sys/src/cmd/rc/
...
\end{thebibliography}

現在の正しいコメントスタイル "<!--latex \ref{kn:Rc}-->" は冗長である。html2tex は古いコメントスタイル "<!latex \ref{kn:Rc}>" をも処理してくれるが、これはブラウザ依存性を持つので使用は止めた方が良いであろう。

• 正しいコメントを書こう
  http://www.kanzaki.com/docs/html/valid-comment.html
  

数式

	n - 1

	<i>n</i> &minus; 1

	$n - 1$

	<!--latex-off--><i>n</i> &minus; 1<!--latex-on $n - 1$-->

	<$n - 1$>

結論

HTML2LaTeX

Another interesting, and probably more powerfull, HTML to LaTeX converter using Perl can be found here.