@comtext/ocr-fix 1.1.0 → 1.1.1
This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.
- package/README.md +1 -1
- package/package.json +1 -1
- package/src/correct.js +9 -4
package/README.md
CHANGED
|
@@ -18,7 +18,7 @@ Post-OCR коррекция текста — набор утилит для ис
|
|
|
18
18
|
| 2 | Перенос слова через дефис в конце строки: дефис и `\n` удаляются, части слова склеиваются | `"школь-\nного"` → `"школьного"` |
|
|
19
19
|
| 3 | Остальные одиночные `\n` внутри абзаца → пробел (двойные `\n` сохраняются) | `"строка\nпродолжение"` → `"строка продолжение"` |
|
|
20
20
|
| 4 | Дефис в роли тире → `—`: `--`, ` - `, а также дефис после `,` `.` `!` `?` `»` `)` | `"это - пример"` → `"это — пример"`, `"да,- нет"` → `"да, — нет"` |
|
|
21
|
-
| 5 | Кириллические буквы-двойники в отдельно стоящих римских цифрах → латинские | `"ХХ век"` → `"XX век"`, `"ХIХ"` → `"XIX"` |
|
|
21
|
+
| 5 | Кириллические буквы-двойники в отдельно стоящих римских цифрах (2+ символа) → латинские | `"ХХ век"` → `"XX век"`, `"ХIХ"` → `"XIX"` |
|
|
22
22
|
| 6 | Пробел после точки в аббревиатурах и инициалах (буква + точка + буква/цифра) | `"В.И.Ленин"` → `"В. И. Ленин"`, `"т.1"` → `"т. 1"` |
|
|
23
23
|
| 7 | Несколько пробелов подряд → один пробел | `"слово слово"` → `"слово слово"` |
|
|
24
24
|
|
package/package.json
CHANGED
package/src/correct.js
CHANGED
|
@@ -36,7 +36,9 @@ function correct(str) {
|
|
|
36
36
|
str = str.replace(/(?<!\n)\n(?!($|\n))/g, ' ')
|
|
37
37
|
|
|
38
38
|
// 4a. Двойной дефис → em dash
|
|
39
|
-
|
|
39
|
+
// Только когда вокруг пробелы («слово -- слово») или в начале строки («-- слово»).
|
|
40
|
+
// Таблицы md (|---|, |--:|) и разделители (---) не затрагиваются.
|
|
41
|
+
str = str.replace(/(^|[ \t])--(?=[ \t])/gm, '$1—')
|
|
40
42
|
|
|
41
43
|
// 4b. Дефис после знака препинания (с опциональным пробелом перед ним) → «знак — »
|
|
42
44
|
// Охватывает: «,- », «.- », «!- », «?- », «»- », «)- » и варианты с пробелом до дефиса
|
|
@@ -46,10 +48,11 @@ function correct(str) {
|
|
|
46
48
|
str = str.replace(/ - /g, ' — ')
|
|
47
49
|
|
|
48
50
|
// 5. Кириллические двойники в римских цифрах → латинские
|
|
49
|
-
// Токен:
|
|
51
|
+
// Токен: 2+ символов римских цифр (Latin или Cyrillic-lookalike),
|
|
50
52
|
// не окружён кириллическими/латинскими буквами, цифрами или точкой.
|
|
53
|
+
// Минимум 2 символа: одиночные буквы (М, С, Х) могут быть аббревиатурами.
|
|
51
54
|
str = str.replace(
|
|
52
|
-
/(?<![а-яёА-ЯЁa-zA-Z0-9.])[IVXLCDMivxlcdmХхСсМмІі]
|
|
55
|
+
/(?<![а-яёА-ЯЁa-zA-Z0-9.])[IVXLCDMivxlcdmХхСсМмІі]{2,}(?![а-яёА-ЯЁa-zA-Z0-9])/g,
|
|
53
56
|
(match) => {
|
|
54
57
|
if (!CYR_ROMAN_RE.test(match)) return match
|
|
55
58
|
return match.replace(/[ХхСсМмІі]/g, ch => CYR_TO_LAT[ch])
|
|
@@ -68,8 +71,10 @@ function correct(str) {
|
|
|
68
71
|
/**
|
|
69
72
|
* Регулярное выражение для определения frontmatter в начале файла.
|
|
70
73
|
* Совпадает с блоком «---\n...\n---» строго в начале строки.
|
|
74
|
+
* \n* в конце захватывает все переводы строк после закрывающего ---,
|
|
75
|
+
* чтобы они не попали в тело и не были изменены функцией correct.
|
|
71
76
|
*/
|
|
72
|
-
const FRONTMATTER_RE = /^---\n[\s\S]*?\n
|
|
77
|
+
const FRONTMATTER_RE = /^---\n[\s\S]*?\n---\n*/
|
|
73
78
|
|
|
74
79
|
/**
|
|
75
80
|
* Корректирует файл в формате comtext (Markdown с YAML frontmatter).
|