-
Notifications
You must be signed in to change notification settings - Fork 5
/
Copy pathfa_cosmetic_changes_core.py
1090 lines (1014 loc) · 76.3 KB
/
fa_cosmetic_changes_core.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
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
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#!/usr/bin/python
# -*- coding: utf-8 -*-
#
# Z (User:ZxxZxxZ) Base of the code + Word Dictionaries and some of Regexs
# Reza (User:Reza1615) Code structure + Developing the code
# Amir (User:Ladgroups) Category sorting part
# Ebraminio (User:Ebraminio) Some of Regexs
#
# Distributed under the terms of MIT License (MIT)
#
# for calling this bot you can use fa_cosmetic_changes_core(text,page) function
import pywikibot
from pywikibot import pagegenerators
from pywikibot import config
import string
from pywikibot.compat import query
from datetime import datetime
import re
from pywikibot import cosmetic_changes
import urllib
import ref_link_correction_core
import signal
pywikibot.config.put_throttle = 0
pywikibot.config.maxthrottle = 0
testpass=False
cleaning_version=u'۱۴.۹ core'
msg=u'('+cleaning_version +u')'
faSite=pywikibot.Site('fa',fam='wikipedia')
_cache = {}
#-----------------
tags = ur'b|big|blockquote|charinsert|code|comment|del|div|em|gallery|hyperlink|i|includeonly|imagemap|inputbox|link|math|noinclude|nowiki|pre|ref|s|small|source|startspace|strong|sub|sup|template|timeline'
faChrs = u'ءاآأإئؤبپتثجچحخدذرزژسشصضطظعغفقکگلمنوهیيككﮑﮐﮏﮎﻜﻛﻚﻙىىىﻴﻳﻲﻱﻰىىﻯيکیہەھ'
langs = u'بلغاری|بنگالی|پارسی باستان|پارسی میانه|پالی|پرتغالی|پشتو|پنجابی|پین‌یینی|تاگالوگ|تامیلی|تاهیتی|تایلندی|ترکمنی|ترکی|ترکی استانبولی|ترکی آذربایجانی|تلگو|جاوه‌ای|چکی|چینی|چینی ساده‌شده|چینی سنتی|دانمارکی|دوناگری|روسی|رومانیایی|ژاپنی|سامی|سانسکریت|سریانی|سکایی|سواحلی|سواحیلی|سوندایی|سوئدی|سیسیلی|صربی|عبری|عربی|فارسی افغانستان|فارسی ایران|فارسی تاجیکی|فارسی سره|فرانسوی|فنلاندی|فیلیپینی|کاتالان|کردی|کره‌ای|کروات|کرواسی|گالیسی|گجراتی|گرجی|گرینلندی|لاتین|لتونیایی|لیتوانیایی|مازندرانی|مالایی|مالزیایی|مجاری|مراتی|مصری|مغولی|مقدونی|نپالی|نروژی|نروژی نو|نورمنی|هاوائی|هائیتیایی|هلندی|هندی|هواسایی|ولزی|ویتنامی|یونانی|یونانی باستان'
zaed = ur"''متن مورب''|'''متن ضخیم'''|\[\[پرونده:مثال\.jpg]]|=+ متن عنوان =+|:خط تو رفته\n?|<nowiki>اینجا متن قالب‌بندی‌نشده وارد شود</nowiki>|\# مورد فهرست شماره‌ای\n?|\* مورد فهرست گلوله‌ای|<sub>متن زیرنویس</sub>|<sup>متن بالانویس</sup>|<small>متن کوچک</small>|<big>متن بزرگ</big>|#(؟:تغییرمسیر|REDIRECT) \[\[(?:نام صفحه مقصد|نام صفحه)]]|\{\| class=\.wikitable\.\n\|-\n! متن عنوان !! متن عنوان !! متن عنوان\n\|-\n\| مثال \|\| مثال \|\| مثال\n\|-\n\| مثال \|\| مثال \|\| مثال\n\|-\n\| مثال \|\| مثال \|\| مثال\n\|}|<gallery>\nپرونده:مثال\.jpg\|عنوان ۱\nپرونده:مثال.jpg\|عنوان ۲\n</gallery>|<ref>{{یادکرد\|نویسنده = \|عنوان = \| ناشر = \|صفحه = \|تاریخ = }}</ref>|<ref>{{یادکرد وب\|نویسنده = \|نشانی = \|عنوان = \| ناشر = \|تاریخ = \|تاریخ بازدید = }}</ref>|<ref>{{یادکرد خبر\|نام = \|نام خانوادگی = \|همکاران = \|پیوند = \|عنوان = \|اثر = \| ناشر = \|صفحه = \|تاریخ = \|بازیابی = }}</ref>|\[\[رده:]]|\[\[en:]]|\[\[fa:.*?]]|\[\[عنوان پیوند]]|\{\{\s*}}|\[\[\s*\|?\s*]]|<!-- *?-->|\'\'\'متن ضخیم'\'\'\|'\'متن مورب\'\'|\'\'\'متن پررنگ\'\'\'"#-----------------
bnMazi = u'[آا]راست|[آا]را?مید|[آا]زرد|[آا]زمود|[آا]سود|[آا]شامید|[آا]شفت|[آا]فرید|[آا]لا[یئ]ید|[آا]لود|[آا]ما[هس]ید|[آا]مد|[آا]مرزید|[آا]م[یو]خت|آورد|[آا][هو]یخت|[آا]غ[شس]ت|ارزید|افتاد|افراشت|ا?فروخت|افزود|افسرد|ا?فشاند|اف[کگ]ند|انجامید|اند[او]خت|اندیشید|ان[بگ]اشت|نگاشت|انگیخت|ایستاد|با[خف]ت|با[لر]ید|[شب]ایست|بخش[یو]د|برازید|ب[ور]د|[چبپ]رید|[رجشب]ست|بلعید|پ[وا]شید|پخت|پذیرفت|پرا[کگ]ند|پرداخت|پرست?ید|پرورد|پرید|پژمرد|پژوهید|پسندید|پنداشت|[بپ]و[سشی]ید|پیچید|پیراست|پیمود|پیوست|تا[فخ]ت|تپید|ترا[وش]ید|تر[سشک]ید|تکانی?د|تنید|توانست|جن[بگ]ید|[جد]وش?ید|چرخید|چسبید|چ[مکشر]?ید|خر[او]شید|خ[مرز]ید|خشکید|خوابید|خو?است|خواند|خورد|خیسید|داد|داشت|[مد]انست|درخشید|دزدید|دوخت|ربود|راند|ر[مس]ید|رو?فت|رنجید|رو[یئ]ید|ریخت|زد|زدود|زیست|س[وا]خت|سپرد|س[تر]ود|ستیزید|سرشت|سزید|سنجید|ش[تکگ]افت|شد|شک?ست|ش[کگ]فت|شمرد|شناخت|شنید|شورید|طلبید|غلطید|فرستاد|فر[مس]ود|فریفت|فشرد|فهمید|قبولاند|کا[سش]ت|کاوید|ک[نر]د|کشت|کشید|کو[چش]ید|کوفت|گداخت|گذا?شت|گرا[یئ]ید|گردید|گرفت|گروید|گری[خس]ت|گزارد|گزید|گس[تا]رد|گسست|گ[فش]ت|گشود|گماشت|گنجید|ل[رغ]زید|ما[لس]ید|ماند|مرد|نا[مل]ید|نشست|نکوهید|نگاشت|ن?گریست|نمود|نواخت|نوردید|نوشت|نهاد|نهفت|نی?وشید|ور?زید|هراسید|هلید|یازید|یافت'
bnMzare = u'[آا]را[یم]|[آا]زار|[آا]ماس|[آا]ز?مای|[آا]سای|[آا]شام|[آا]شوب|[آا]غا[رز]|[آا]فرین|[آا]گن|[آا]لای|[آا]ی|[آا]م[یور]ز|[آا]و?ر|[آا]ویز|[آا]هنج|ارز|افت|افر[او]ز|افزای|افسر|ا?فشان|اف[کگ]ن|انبار|انجام|اندا[یز]|اندوز|اندیش|ا?نگار|انگیز|اوبار|ایست|با[فلیشرز]|بخشای|بخش|براز|ب[َُ]?ر|بند|بساو|بسیج|بلع|بو[یس]?|بیز|پاش|پالای|پ[رز]|پذیر|پرا[کگ]ن|پرداز|پرست?|پرور|پژمر|پژوه|پسند|پلاس|پلک|پناه|پندار|پو[سشیک]|پیچ|پی[مر]ای|پیوند|تا[پز]|تو?پ|ترا[شو]|تر[سشک]|تکان|تن|توان|[نلجد]ه|جن[بگ]|جو[یش]?|چا[یپ]|چ[مکپشفر]|چر[خب]?|چسب?|چلان|چین|خا[یر]|خرا[مش]|خس[بت]|خشک|خروش|خ[ملرز]|خوا[نبه]|خو[فر]|خی[سز]|دا[نر]|درخش|درو?|دزد|[لد]م|دو[شز]?|ربای|ران|رخش|ر[سمه]|رو[یب]?|رشت|رقص|رنج|[بر]ی[نز]|زا[یر]|ز[ین]|زدای|ساز|سپا?ر|سپ؟وز|ستان|ستر|ستیز|سرای|سرشت|س[رز]|سنب|سگال|سنج|سای|شا[شی]|شتاب|شوی?|شک[او]ف|شکن|شکیب|ش[مو]ر|شناس|شنو|طلب|طوف|غارت|غرّ?|غلط|غنو|فرست|فر[سم]ای|فروش|فریب|فشر|فهم|قاپ|قبولان|کا[هرو]|ک[َُِ]?ش|ک[نف]|کو[چشب]|گای|گداز|گذا?ر|گرا[یز]|گرد|گیر|گرو|گریز?|گزار|گز|گزین|گس[تا]ر|گسی?ل|گشای|گو[یز]|گن[جد]|گ[مو]ار|ل[غر]ز|لن[گد]|لیس|ما[سلن]|میر|مک|مو[یل]|نا[زلم]|ن?شین|نکوه|نگا?ر|نمای|نواز|نورد|نویس|نهنب|نی?وش|ور?ز|هراس|هل|یا[برز]'
noAlef = u'باجی|بادانی?|بادی?|بار|باژور|بافت|با[لن]|بانگا[نه]|بتاب|بجی?|بچین|بخس[بت]|بخواره|بخور[دشی]?|بخوست|بخیز|بدارچی|بدارخانه|بدار[وکی]?|بدستان|بدستی?|بدندان|بدنگ|بده|بدیده|براهه?|برفت|برو[دن]|بریز|بریزگان|بزن|بز[یه]|بژ|بسال|بسالان|بست|بستره|بست[نه]|بسکون|بسه|بسوار|بشار|بشتگاه|بشتن?|بشخور|بش[نیش]|بشنگ|بغوره|بفت|بک|بکار|ب?کافت|بکا[نم]ه|بکش|بکشین|بکند|بکوهه|بکی|بگاه|بگرد|بگردان|بگز|بگوشت|بگون|بگیر|بگینه|بلوج|بنوس|بوند|بونمان|بونه|بیار|پارات|پارتاید|پارتمان|پاراتی|پاندیس|پاندیسیت|تربان|ترمه|تروپین|تریاد|تشبار|تشبان|تشپا|تشخوار|تشدان|تشفشان|تشک|تشکده|تشگاه|تش[هی]?|تشیزه|تشین|تلیه|ته|تورپات|تیه|ثار|ثام|جاردن|جان|جودان|جید[نه]|جیل|جین|چار|چاردن|چارکشی|چمز|حاد|خال|خت[نه]|خر|خرالامر|خرالزمان|خرت|خردست|خرزمان|خریا؟ن|خ[سش]مه|خشیج|خشیجان|خشیگ|خور|خورچرب|خورخشک|خورسنگین|خوندبازی|خوندک?|دا[بشک]|دامس|دخ|درس|درمه?|درنگ|دمک|دمیت|دمیرال|دمیزاد|دنیس|دیش|دیند?ه|ذار|ذری?|ذربایجانی?|ذربو|ذرجشن|ذرخش|ذریو?ن|ذوقه|ذین|را[یء]|راستن|راسته|رام|رامانیدن|رامش|رامگاه|رامی|رامیدن|رایش|رایشگاه|رایشگر|راییدن|رتروز|رتزین|رتیست|رتیشو|رخالق|ردبیز|رده|ردینه|رزم|رزو|رزوخواه|رزومندی?|رشه|رشیتکت|رشیو|رغ|رغده|رگون|رمان|رمان?شهر|رمیچر|رمید[هن]|رن|رنائوت|رنج|رنگ|رواره|روبند|روغ|ری|ریا|ریستوکرات|ریستوکراسی|ریغ|زادگان|زادگی|زادمرد|زاد[یه]?|زادوار|زادی?خواه|زار|زارتلخه|زا?رد[نه]|زارنده|زاریدن|زال|زجوی|زخ|زدن|زرد|زردگی|زرم|زرمجو|زرمگین|زری|زغ|زفنداک|زگار|زما|زمایش|زمایشگاه|زماینده|زمایه|زمندی?|زمودگی|زمود[نه]|زمون|زناک|زور|زوغ|زوقه|زیدن|زیر|ژان|ژانس|ژخ|ژدار|ژده|ژغ|ژفنداک|ژگن|ژن[دگ]|ژندن|ژندیدن|ژیانه|ژید[نه]|ژیر|ژیرنده|ژیریدن|ژینه|سان|سانسور|سانی|سایش|سایشگاه|ساینده|ساییدن|سبان|سپیرین|ستانه|ستر|ستیگماتیسم|ستی[من]ه?|سدست|سغده|سفالت|سکاریس|سمانخانه|سمانخراش|سمان[هی]?|سموغ|سه|سودگی|سود[نه]|سیابان|سیاچرخ|سیازنه|سیاکردن|سیا[وب]?|سیایی|سیب|سیل|سی[من]ه|سیون|شا[بم]|شامیدن|شانه|شپز|شپزخانه|شتالنگ|شت[می]|شخال|شخانه|شردن|شرمه|شفتگی|شفت[نه]?|شکار|شکارساز|شکاره|شکوبه|شکو[بخ]?|شکوخیدن|شگر|شمالی?|شموغ|شنا|شناگر|شنا[هو]|شناوری|شنایی|شوب|شوب?گر|شوبیدن?|شور|شوردن|شوریده|شوغ|شوفتن|شیانه|شیهه|صال|غُش|غا|غاجی|غار|غاردن|غاری|غاریدن|غازگر|غاز[هی]?|غازیدن|غالش?|غالنده|غالید[نه]|غچه|غردن|غری?|غز|غ[سش]ت[نه]|غل|غندن|غنده|غو[زشل]|غوشیدن|غیل|فا[تق]|فاقی|فتاب[هی]?|فتومات|فدم|فرنگ|فروشه|فریدگار|فرید[نه]|فرین|فرینگان|فریننده|فگانه|فل|فند|فندیدن|فیش|ق|قا|قازاده|قاسی|ق?بانو|قچه|قسنقر|قشام|قطی|قورایی|قوش|کادمیک?|کاردئون|کام|ک[بپج]|کبند|کتریس|کتور|کروبات|کروباسی|کستن|ککرا|کله|کند[نه]|کنش|کنه|کنیدن|کواریوم|کوستیک|کولاد|کومولاتور|گاهاندن|گاهی?|گ[پج]|گراندیسمان|گرمان|گشتن|گفت|گنج|گنده|گهی|گو|گور|گورگر|گو[شن]|گیشیدن|گی[من]|لاپلنگی|لات|لاچیق|لاخون|لاس|لاسکا|لاگارسون|لامد?|لاوه?|لایش|لاییدن|لبالو|لبوم|لبومین|لپر|لت|لترناتیو|لر|لرژی|ل[شغ]|لغده|لفا|لفت[نه]|لکالویید|لگرو|لگونه|لوچه|لودگی|لود[نه]|لوسن|لومین|لومینیوم|لو[ئن]ک|لیاژ|لیداد|لیزیدن|ماتور|ماج|ماجگاه|مادگی|ماده|مار|مارگر|ماریدن|ماریلیس|ماس|ماسانیدن|ماسیدن|ماق|مال|مانی|ماهانیدن|ماهیدن|مبولانس|مپر|مپرسنج|مپلی|مپول|مپی|مخته|مدگان|مدن?|مرانه|مرزش|مرزگار|مرزنده|مرزیدن|مرزیده|مرغ|مریکا|مریکایی?|مفی|مفیبول|مه|موت|موخت[نه]|مود[نه]|موزانه|موزشی?|موزشیار|موزگا[رن]|موزنده|موزه|موق|موکسی|مولن|مون|مونیاک|میب|میختگی|میخت[نه]|میز[شه]?|میزگاری?|میغه?|نابولیسم|نات?|ناتومی|نارشی|نارشیس[تم]ی?|ناس|نالوگ|نالیز|نام|ناناس|نتراکت|نتریک|نت[نی]|نتیک|نجا|نچت?|ندوتوکسین|ندودرم|ندوسپرم|ندوسکوپی|ندون|نرمال|نزیم|نژین|نژیوکت|نژیوگرافی|نسه|نسیلین|نک|نگلوفیل|نوریسم|نیلین|نین|نیه|نیون|هار|هاردن|هازیدن|هستگی|هسته|هک|همند|هنج|هنجیدن|هنگ[ری]?|هنگساز|هنین|هو|هوانگیز|هوپا|هوتک|هوچشم|هودل|هوفغند|هومند|هون|هیانه|هیختن|واخ|وارگی|وا[رز]ه?|واشناسی|واکس|وام|وانتاژ|وانس|وانگارد|وانویسی|وردجو|وردگا؟ه|وردن|وردیدن|ورک|ورنجن|وری|وریدن|وریل|ونگ|ونگان|ونگون|ویخت[نه]|ویزش?|ویزگ?ان|وی[زژ]ه|ویزون|ویشن|یا[تن]?|یبک|یتم?|یزنه|یژ|یفت|یفون|ینده|یه|ییژ|یین|[یئ]?ینه|ئورت'
tnvindar = u'(الزاما|لزوما|یقینا|قطعا|حتما|قاعدتا|طبیعتا|طبعا|قهرا|جدّا|حقیقتا|واقعا|مطمئنا|واضحا|مسلما|تماما|کاملا|عینا|اکیدا|مطلقا|دقیقا|مستقیما|اصولا|اصلا|اصالتا|نسبا|نسبتا|تقریبا|حدودا|معمولا|قانونا|شرعا|اخلاقا|خلقا|احتمالا|استثنائا|اساسا|کلّا|جزئا|مجموعا|جمعا|اجماعا|شدیدا|نهایتا|اقلا|اکثرا|غالبا|عمدتا|ندرتا|بعضا|گاها|صریحا|صراحتا|عموما|اختصاصا|خصوصا|مجملا|اجمالا|اختصارا|مختصرا|مشروحا|ظاهرا|باطنا|عمیقا|ذاتا|فطرتا|روحا|جسما|ابتدائا|مقدمتا|بدوا|بعدا|قبلا|جدیدا|سابقا|اخیرا|ابدا|عمرا|تلویحا|علنا|حضورا|غیابا|نیابتا|لطفا|اجبارا|اختیارا|عالما|عمدا|عامدا|تعمدا|متعمدا|عادتا|مستقلا|احتیاطا|احیانا|غفلتا|سهوا|اشتباها|عاجلا|عجالتا|مرتجلا|ارتجالا|سریعا|فورا|دا[یئ]ما|ضرورتا|نقدا|منحصرا|صرفا|دفعتا|کرارا|مکررا|مجددا|مرتبا|مستمرا|متواترا|تدریجا|تصادفا|عملا|فعلا|موقتا|ضمنا|نتیجتا|نوعا|اصطلاحا|جسارتا|بالا ?غیرتا|م[وؤ]کدا|ذیلا|شخصا|مشترکا|مفصلا|رسما|ترجیحا|قلبا|ر[اأ]سا|تو[اأ]ما|متناوبا|متوالیا|متقابلا|متعاقبا|متّ?فقا|مثلا|فرضا|ایضا|مضافا|مصرّ?ا|ارفاقا|انصافا|جهارا|طولا|متدرجا|غانما|احتراما|ناچارا|سفارشا|تلفنا|زبانا|کتبا|شفاها|سوما|چهارما|ثانیا|ثالثا|رابعا|خامسا|سادسا|سابعا|ثامنا|تاسعا|عاشرا)'#اکساندر دوما!
sametH = ur'فرمانده|زره|کوه|گره|گنه|سپه|مکروه|م?ت?وجّ?ه|منزّ?ه|نزه|ابله|مرفّ?ه|شبیه|مت?شابه|کریه|پادشه|اللّ?ه|اله|[آکبتدرزشلم]ه' #e: صامت هـ
spcBfre = u'.،,:؛;؟٫)}]»》”，·。一ｰ・、：（）「」〜？！ء'
spcAftr = u'({[«《“，·。一ｰ٫・、：（）「」〜？！'
bLA = u'(?!['+faChrs+u'])'
bLB = u'(?<!['+faChrs+u'])'
site_category=ur'رده'
boxes=[u'infobox',u'Geobox',u'Taxobo', u'جعبه']
#--------------------------------------fa_replaceExcept---------------------
TEMP_REGEX = re.compile(
'{{(?:msg:)?(?P<name>[^{\|]+?)(?:\|(?P<params>[^{]+?(?:{[^{]+?}[^{]*?)?))?}}')
class TimeoutException(Exception):
pass
def timeout_handler(signum, frame):
raise TimeoutException
def autoEdISBN(txt,msg):
txt2=txt
persianDigits=u'۰۱۲۳۴۵۶۷۸۹'
#ISBN, ISSN and PMID's numbers should in english
txt_old=re.sub(ur'\/\/.*?(?=[\s\n\|\}\]<]|$)',u'',txt)
AllISBN= re.findall(ur'(\b(ISBN|ISSN|PMID|PubMed) *:? *([۱۲۳۴۵۶۷۸۹۰0-9–—−ـ_\-]+)([^۱۲۳۴۵۶۷۸۹۰0-9–—−ـ_\-]|$))',txt_old, re.S)
if AllISBN:
for item in AllISBN:
item=item[0]
item_old=item
for i in range(0,10):
item=item.replace(persianDigits[i], str(i))
item=item.replace(u'–',u'-')
item=re.sub(ur'[–—−ـ_\-]+',u'-',item)
item=item.replace(ur'\b(ISBN|ISSN|PMID|PubMed) *:? *([۱۲۳۴۵۶۷۸۹۰\-0-9]+)([^۱۲۳۴۵۶۷۸۹۰\-0-9]|$)',ur'\1 \2\3')
item=item.replace(u'PubMed',u'PMID')
txt=txt.replace(item_old,item)
#Allows WikiMagic to work with ISBNs
txt = txt.replace(ur'ISBN *\-10:|ISBN *\-13:|ISBN *\-10|ISBN *\-13|ISBN:',u"ISBN")
#ISSN regexs from [[:en:Wikipedia:AutoWikiBrowser/Settings/ISSN]]
txt = txt.replace(ur'ISSN\s*(\d)',u"ISSN \1")
txt = txt.replace(ur'ISSN (\d)(\d)(\d)(\d)[\.\: ~\=]*(\d)(\d)(\d)([\dx])',u"ISSN \1\2\3\4-\5\6\7\8 ")
txt = txt.replace(ur'ISSN (\d)(\d)(\d)(\d)\-(\d)(\d)(\d)x',u"ISSN \1\2\3\4-\5\6\7X")
txt = txt.replace(ur'ISSN (\d)(\d)(\d)(\d)\-(\d)(\d)(\d)x',u"ISSN \1\2\3\4-\5\6\7X")
#ISBN regexs from [[:Wikipedia:AutoWikiBrowser/Settings/ISBN-hyph]]
txt = txt.replace(ur'ISBN(\d)',u"ISBN \1")
txt = txt.replace(ur'\[\[ *(ISBN [\d\-x]{10,13}) *\]\]',u"\1")
txt = txt.replace(ur'\[\[ISBN\|(ISBN\s*[^\]]*)\]\]',u"\1")
txt = txt.replace(ur'\[*ISBN\]*\:*[ \t]+([0-9X\-]+)',u"ISBN \1")
txt = txt.replace(ur'ISBN +([\d-]{1,9}) (\d+|X\W)',u"ISBN \1\2")
txt = txt.replace(ur'\[*ISBN\]*\:* *\[\[Special\:Booksources\/\d*\|([\dxX\- ]+)\]\]',u"ISBN \1")
txt = txt.replace(ur'\[isbn\]\:* *(\d)',u"ISBN \1")
txt = txt.replace(ur'ISBN (\d{10,10}) - *(\d)',u"ISBN \1 ,\2")
loopcount = 0
while (loopcount<10):
txt = txt.replace(ur'ISBN (\d{1,9}) (\d|x)',u"ISBN \1\2")
loopcount+=1
txt = txt.replace(ur'ISBN (\d{1,9})(x)',u"ISBN \1X")
txt = txt.replace(ur'ISBN (\d\d\d\d\d\d\d\d\d(\d|x)) +(\d)',u"ISBN \1, \3")
txt = txt.replace(ur'ISBN ([\d-]{12,12}) (\d|x)',u"ISBN \1-\2")
if txt2!=txt:
msg=u'شابک+'+msg
return txt,msg
def findmarker(text, startwith=u'@@', append=None):
# find a string which is not part of text
if not append:
append = u'@'
mymarker = startwith
while mymarker in text:
mymarker += append
return mymarker
def minor_edits (text):
text=text.replace(u'\r',u'')
text=text.replace(u'\n \n \n',u'\n\n').replace(u'\n \n',u'\n\n').replace(u'\n \n',u'\n\n').replace(u'\n \n',u'\n\n').replace(u"--------",u'----').replace(u"-----",u'----').replace(u"--------",u'----').replace(u"-----",u'----')
text = re.sub(ur'[\r\n]{3,}', ur"\n\n",text)
text=text.replace(u'[[ ',u'[[').replace(u' ]]',u']]').replace(u' }}',u'}}').replace(u'{{ ',u'{{').replace(u'< ',u'<').replace(u'</ ',u'</').replace(u' />',u'/>').replace(u'<!--\n',u'<!--').replace(u'\n-->',u'-->').replace(u'<!---\n',u'<!---').replace(u'\n--->',u'--->')
text=text.replace(u'[[ ',u'[[').replace(u' ]]',u']]').replace(u' }}',u'}}').replace(u'{{ ',u'{{').replace(u'== ',u'== ').replace(u'== ',u'== ').replace(u' ==',u' ==').replace(u' ==',u' ==')
text=fa_replaceExcept(text,u' >',u'>', ['math', 'pre', 'template', 'timeline', 'ref', 'source', 'startspace'])
text=text.replace(u'\n<ref',u'<ref').replace(u'</ref>\n<ref',u'</ref><ref')
text = re.sub(re.compile(ur'^(\=+)\s*(.*?)\s*(\=+)$', re.MULTILINE), ur"\1 \2 \3",text)
text=text.replace(u'\n\n*',u'\n*').replace(u'\n\n#',u'\n#')
#a: الگوافزایی
if text.find(u'{{پانویس')==-1:
if text.find(u'= منابع =') !=-1:
text = re.sub(ur'(= منابع =+\n)', ur'\1{{پانویس}}\n', text, re.S)
text=finall_cleaning(text)
minor_text=text.strip()
return minor_text
def arabic_to_farsi(text):
exceptions = ['gallery', 'hyperlink', 'interwiki', 'math', 'pre', 'template', 'timeline', 'ref', 'source', 'startspace', 'inputbox','file','URL']
text2=text
while True:
text = fa_replaceExcept(text, ur'[كﮑﮐﮏﮎﻜﻛﻚﻙ]', ur'ک', exceptions)
text = fa_replaceExcept(text, ur'[ىىىﻴﻳﻲﻱﻰىىﻯي]', ur'ی', exceptions)
text = fa_replaceExcept(text, ur'[ہەھ]', ur'ه', exceptions)
text = fa_replaceExcept(text,ur'[ۀﮤ]',ur'هٔ', exceptions)
if text==text2:
break
text2=text
return text
def Dictation(txt,msg_short,msg=msg):
old_txt=txt
#s: شبه‌ساده‌ها ####### مشارٌ‌اليه، مضاف‌ٌاليه، منقولٌ‌عنه، مختلفٌ‌فيه، متفق‌ٌعليه، بعبارةٍاُخرى، اباًعن‌جدٍ، اىّ‌نحوٍكان.
#txt = re.sub(bLB+u'من ?(باب|جمله)'+bLA, ur'من\1', txt)
txt = re.sub(ur' مع ?(هذا|ذلک|الفار[غق]|الوصف|ال[اأ]سف)', ur' مع\1', txt)
txt = re.sub(ur' علی ?(هذا|حده|رغم|الاصول|الحساب|الخصوص|البدل|الدوام|السویه|الطلوع|الله|القاعده)', ur' علی\1', txt)
txt = re.sub(bLB+u' ذو ال', u' ذوال', txt)
txt = re.sub(ur' ذی ?(ال|نفع|امر|جود|حساب|حق|حیات|ربط|روح|شعور|صلاح|صلاحیّ?ت|عقل|علاقه|فقار|فن|قیمت|نفوذ)'+bLA, ur' ذی\1', txt)
txt = re.sub(bLB+u' حقّ? (?=البوق|العبور|الت[اأ]لیف|التدریس|الزحمه|اللّ?ه|النّ?اس|تعالی)', u' حق', txt)
txt = re.sub(ur' عن ?[قغ]ریب', ur' عن‌قریب', txt)
#txt = re.sub(ur' قتل ?عام', ur' قتل‌عام', txt)
txt = re.sub(ur' علی[ ][اأ]یّ?[ ]?حال', ur' علی‌أی‌حال', txt)
txt = re.sub(ur' من[ ]?حیث[ ]?المجموع', ur' من‌حیث‌المجموع', txt)
txt = re.sub(ur'ب(?:|ه[ ])ر[اأ]ی[ ]العین', ur'برأی‌العین', txt)
txt = re.sub(ur'ما ?ب(?:|ه[ ])ازا', u'مابازا', txt)
txt = re.sub(ur'متقابل[ ](?:ب|به[ ])ر[اأ]س', ur'متقابل‌به‌رأس', txt)
#txt = re.sub(ur'منحصر ?(?:ب|به[ ])فرد', ur'منحصربه‌فرد', txt)
txt = re.sub(bLB+ur'فی[ ]?ما ?بین', ur'فی‌مابین', txt)
txt = re.sub(ur' [اآ]ی[ةت][ ]?اللّ?ه', ur' آیت‌الله', txt)#عنایت‌الله
txt = re.sub(ur'حج[ةته][ ]?ال[اإ]سلام', ur'حجت‌الاسلام', txt)
txt = re.sub(ur'ثق[ةته][ ]?ال[اإ]سلام', ur'ثقةالاسلام', txt)
txt = re.sub(ur'امیر ?الم[وؤ]منین', ur'امیرالمؤمنین', txt)
txt = re.sub(ur'(متوازی|مختلف)[ ]?ال[اأ]ضلاع', ur'\1الأضلاع', txt)
txt = re.sub(ur'متساوی[ ]?السّ?اقین', ur'متساوی‌الساقین', txt)
txt = re.sub(ur'قا[یئ]م[ ]الزّاوی[ةه]', ur'قائم‌الزاویه', txt)
txt = re.sub(ur'دا[یئ]ر[ةته][ ]?(البروج|المعارف|العلوم)', ur'دائرة\1', txt)
txt = re.sub(ur'دا[یئ]م[ ](الخمر|الصوم|الذّ?[کك]ر)', ur'دائم\1', txt)
txt = re.sub(ur'ر[اأإ]س[ ](الجدی|السّ?رطان|المال)', ur'رأس\1', txt)
txt = re.sub(ur'(مجنی|مجنی)[ ][عا]لیه', ur'\1علیه', txt)
txt = re.sub(ur'(مضاف|مسند|مرجوع|مشار|منتقل)ٌ?[ ]?[عا]لیه', ur'\1ٌ‌الیه', txt)
txt = re.sub(ur'منته[ای][ ]?[عا]لیه', ur'منتهی‌الیه', txt)
txt = txt.replace(u'بین الملل', u'بین‌الملل').replace(u'نرم افزار', u'نرم‌افزار').replace(u'حزب الل', u'حزب‌الل')
txt = txt.replace(u'جدید الاحداث', u'جدیدالاحداث').replace(u'کثیر الانتشار', u'کثیرالانتشار').replace(u'سریع السیر', u'سریع‌السیر')
txt = txt.replace(u'لازم الاجرا', u'لازم‌الاجرا').replace(u'فوق الذکر', u'فوق‌الذکر').replace(u'مرضی الطرف', u'مرضی‌الطرف')
txt = txt.replace(u'خاتم الانبیا', u'خاتم‌الانبیا').replace(u'متفق القول', u'متفق‌القول').replace(u'قریب الوقوع', u'قریب‌الوقوع')
txt = txt.replace(u'سوق الجیشی', u'سوق‌الجیشی').replace(u'محیر العق', u'محیرالعق').replace(u'عظیم الجث', u'عظیم‌الجث')
txt = txt.replace(u'لطایف الحیل', u'لطایف‌الحیل').replace(u'موقوف المعانی', u'موقوف‌المعانی').replace(u'سلیم النفس', u'سلیم‌النفس')
txt = txt.replace(u'موثق الصدور', u'موثق‌الصدور').replace(u'شمس العمار', u'شمس‌العمار').replace(u'حسب الامر', u'حسب‌الامر')
txt = txt.replace(u'مسلوب الاراده', u'مسلوب‌الاراده').replace(u'مستجاب الدعو', u'مستجاب‌الدعو')
txt = re.sub(bLB+u'(دار|مشترک|ممنوع|قدیم|قلیل|ناقص|ضعیف|قوی|تحت|ر[یئ]یس|ربّ?|امّ?|حقّ?|ماء|ماوراء|باب) (?=ال)', ur'\1', txt)
#txt = re.sub(u'(?=الهام|الصاق|الزام|القا|الکتریک|الکتریسیته)', u'', txt)
#e: اً
txt = re.sub(bLB+tnvindar+bLA, ur'\1ً', txt)
txt = re.sub(ur'اصلاً? ?و ?ابداً?', ur'اصلا و ابدا', txt)
txt = re.sub(ur'اهلاً? ?و ?سهلاً?', ur'اهلاً وسهلاً', txt)
txt = re.sub(ur'ً'+ur'['+ur'ًٌٍَُِّْْ'+ur']', ur'ً', txt)#remove double erab
#e: آ
#txt = re.sub(bLB+u'(ا|أ)('+noAlef+u')'+bLA, ur"آ\2", txt)#it has some bugs!
txt = txt.replace(u' راکتور', u' رآکتور').replace(u'فرآیند', u'فرایند').replace(u'فرآورده', u'فراورده')# e: ا <-> آ
txt = re.sub(bLB+ur'ایده?[ ][اآ]ل', ur'ایده‌آل', txt)
#s: افعال
txt = txt.replace(u' دو میدانی ', u' دومیدانی ')
txt = re.sub(bLB+u'(نمی) ?([نب]ی؟|)('+bnMzare+u'|'+bnMazi+u')(ان|)(م|ی|د|یم|ید|ا?ند)'+bLA, ur'\1\2\3\4\5', txt) # می bug همیاری
#txt = re.sub(bLB+u'(باز|فر[او]|وا|[بد]ر) ?([هن]?می|)([منب]ی?|)('+bnMzare+u'|'+bnMazi+u')(م|ی|د|یم|ید|ا?ند)'+bLA, ur'\1\2\3\4\5', txt) # پیشوند فعل ### BUG
txt = re.sub(bLB+u'(باز|فر[او]|وا) ?([منب]ی?|)('+bnMazi+u')ن'+bLA, ur'\1\2\3ن', txt)#وی در جنگیدن با من
txt = re.sub(bLB+u'('+bnMazi+u')ه (ام |ای |ایم |اید |اند )'+bLA, ur'\1ه\2', txt) # فم بین «ه» و شناسه طبق شیوه‌نامه است باید جدا باشد
txt = re.sub(u'([منب])یا(رزید|فتاد|فتد|فراشت|فروخت|فزود|فسرد|فشاند|ف[کگ]ند|نجامید|ند[او]خت|ندیشید|ن[بگ]اشت|نگیخت)(م|ی|یم|ید|ند|[^'+faChrs+u'])', ur'\1ی\2', txt) # نیافتاد -> نیفتاد
txt = re.sub(u'([منب])یا(رز|فر[او]ز|فزای|فسر|فشان|ف[کگ]ن|نبار|نجام|ندا[یز]|ندوز|ندیش|نگار|نگیز)(م|ی|د|یم|ید|ا?ند|[^'+faChrs+u'])', ur'\1ی\2\3', txt) # بیاندیش -> بیندیش
#s: ضمایر ملکی
txt = re.sub(u'(?:ه|هٔ)[ ](مان|تان|شان)'+bLA, ur'ه\1', txt)#BUG:Solved
txt = re.sub(u'(?<=ه)[ ](ام |ات |اش )'+bLA, ur'\1', txt)
#s: و
txt = re.sub(u'رفت[ ]?و ?[اآ]مد', u'رفت‌وآمد', txt)
txt = re.sub(u'گفت[ ]?و ?گو', u'گفتگو', txt)
txt = re.sub(u'جست[ ]?و ?جو', u'جستجو', txt)
txt = re.sub(u'پخت[ ]?و ?پز', u'پخت‌وپز', txt)
txt = re.sub(u'شست[ ]?و ?شو', u'شست‌وشو', txt)
txt = re.sub(u'خفت[ ]?و ?خیز', u'خفت‌وخیز', txt)
txt = re.sub(bLB+u'کند ?و ?کا?و'+bLA, u'کندوکاو', txt)
txt = re.sub(bLB+u'کم[ ]و ?کاست', u'کم‌وکاست', txt)
#s: بسیط
txt = re.sub(u'(فن|دل)ّ?[ ]?[آا]وری', ur'\1اوری', txt)
txt = re.sub(bLB+u' دل[ ](سوزی|تنگی|بری) '+bLA, ur' دل\1 ', txt)#Bug دل بریدن
txt = re.sub(bLB+u'یک[ ]دلی'+bLA, u'یکدلی', txt)
txt = re.sub(u'گاه[ ]و ?بی[ ]?گاه', u'گاه‌و‌بیگاه', txt)
#e: دیگر غلط‌های املایی
txt = re.sub(u' (سپاس|شکر|بر)[ ]?گ[ذز]ار ', ur' \1گزار ', txt)#بنا بر گزارش
#txt = re.sub(u'(|بنیان)[ ]?گزار', ur'\1گذار', txt)# # بر پایه گزارش متغییر الگو بنیانگذار
txt = re.sub(bLB+u'بی[ ]?م[حه]ابا', u'بی‌محابا', txt)
txt = re.sub(bLB+u' بر ?خو?است', u' برخاست', txt)
txt = re.sub(u'خوانواد(?=ه|گی)', u'خانواد', txt)
txt = re.sub(u'[آا]نفو?لو? ?[آا]نزا', u'آنفلوانزا', txt)
txt = re.sub(bLB+u'غری[ضظ]ه'+bLA, u'غریزه', txt)
txt = txt.replace(u'خواستگاه', u'خاستگاه')
txt = txt.replace(u'اطاق', u'اتاق').replace(u'باطری', u'باتری').replace(u'باطلاق', u'باتلاق').replace(u' ملیون', u' میلیون')
txt = txt.replace(u'ضمینه', u'زمینه').replace(u'انظباط', u'انضباط').replace(u'حاظر', u'حاضر')
#txt = txt.replace(u'نفوظ', u'نفوذ') ###
txt = txt.replace(u'مذبور', u'مزبور').replace(u'قائله', u'غائله').replace(u' وحله', u' وهله').replace(u' مرهمت', u' مرحمت')
txt = txt.replace(u' انهنا', u' انحنا').replace(u'پزشگی', u'پزشکی').replace(u'تضاهرات', u'تظاهرات')
txt = txt.replace(u'تلوزیون', u'تلویزیون').replace(u'پرفسور', u'پروفسور').replace(u' خوشنود', u' خشنود')
txt = txt.replace(u' الویت', u' اولویت').replace(u'ملیارد', u'میلیارد')
txt = re.sub(u'ه(گی|گانی?)'+bLA, ur'\1', txt)
#txt = re.sub(bLB+u'وب[ ]?(سایت|گاه)', u'وبگاه', txt) ###in many cases it could be template vaiable!
txt = re.sub(u'ویکی ?(?=سازی|فا |[مپ]دیا)', u'ویکی', txt)
txt = re.sub(u'ویکی‌پدیا ?(?='+langs+u')', u'ویکی‌پدیای ', txt)
txt = re.sub(u'علاقه?[ ]?مند', u'علاقه‌مند', txt)
#txt = re.sub(u' باقی مانده ', u' باقی‌مانده ', txt) #کتاب باقی مانده است.
txt = re.sub(u'مت[عاأ][سص]ّ?فانه', u'متأسفانه', txt)
txt = re.sub(bLB+u' من[ ]را'+bLA, u' مرا', txt)
#txt = re.sub(u'عدم وجود'+bLA, u'نبودِ', txt)
#txt = txt.replace(u'عدم حضور', u'غیاب')
txt = re.sub(u'اقدامات لازمه?'+bLA, u'اقدام‌های لازم', txt)
#e: ماه‌ها
#txt = re.sub(bLB+u'مارچ'+bLA, u'مارس', txt)#BUG می‌تواند اسم شخص هم باشد
txt = re.sub(bLB+u'(?:ژوییه)'+bLA, u'ژوئیه', txt)
#txt = re.sub(bLB+u'[اآ]گوست'+bLA, u'اوت', txt)#جین آگوست دومینیک
txt = re.sub(bLB+u'دی?سا?مبر'+bLA, u'دسامبر', txt)
txt = re.sub(u'(ربیع|جمادی)[ ]?(?:الثانی|ال[اأإ]خر)', ur'\1الثانی', txt)
txt = re.sub(u'(ربیع|جمادی)[ ]?ال[اأإ]ول', ur'\1الاول', txt)
#txt = re.sub(u'ذ[وی][ ]?(?:ال|)(حج|قعد)[ةه]', ur'ذی‌ال\1ه', txt) ###
#e: جمع‌الجمع
txt = re.sub(u'(مدارک)[ ]?های?'+bLA, u'مدارک', txt)
#e: حشو
txt = re.sub(bLB+u'بر ?علیه', u'علیه', txt) # بر علیه
txt = re.sub(u'اعلم[ ]?تر', u'اعلم', txt) # تر
#e: طبق قاعدهٔ فارسی
txt = re.sub(ur'(آزمایش|پژوهش|پیشنهاد|نمایش|دستور|فرمایش|گزارش|گرایش|باغ|کوهستان)اتی ', ur'\1هایی ', txt) # اتی -> هایی
txt = txt.replace(u'بازرسین', u'بازرسان').replace(u'داوطلبین', u'داوطلبان') #e: ین -> ان
txt = re.sub(ur' (رهبر|خوب|بد|من)یّ?ت ', ur' \1ی ', txt) # یّت -> ی
txt = re.sub(bLB+u'دو[یئ]یت', u'دوگانگی', txt) # یّت
txt = txt.replace(u'زباناً', u'زبانی').replace(u'تلفناً', u'تلفنی').replace(u'ناچاراً', u'به‌ناچار').replace(u'گاهاً', u'گاهی') #e: اً
#--------------------------Reza added------------------------
if old_txt!=txt:
if msg_short:
msg=u'املا+'+msg
else:
msg=u'اشتباه نگارشی + '+msg
return txt.strip(),msg
def cleaning(text,msg_short,msg=msg):
old_text=text
text=re.sub(ur'\n[\t\u00A0]+',u'\n',text)
text=re.sub(ur'[\u0085\u00A0\u1680\u180E\u2000-\u200A\u2028\u2029\u202F\u205F\u3000]',u' ',text)
text=text.replace(u'\r',u'').replace(u'\n^ "',u'\n*"').replace(u'‌',u'').replace(u'\n \n \n',u'\n\n').replace(u'\n \n',u'\n\n').replace(u'\n \n',u'\n\n').replace(u'\n \n',u'\n\n')
text=text.replace(u'< ',u'<').replace(u' >',u'>').replace(u'<!--\n',u'<!--').replace(u'\n-->',u'-->').replace(u'<!---\n',u'<!---').replace(u'\n--->',u'--->')
#تمیزکاری فاصلهٔ مجازی
text = re.sub(u'(\u202A|\u202B|\u202C|\u202D|\u202E|\u200F)',u'\u200C', text)#حذف کارکترهای تغییرجهت
text = re.sub(u'{2,}', u'', text) # پشت‌سرهم
text = re.sub(u'(?![ئاآأإژزرذدوؤةبپتثجچحخسشصضطظعغفقکگلمنهیيً\[\]ٌٍَُِّْٰٓٔكﮑﮐﮏﮎﻜﻛﻚﻙىىىﻴﻳﻲﻱﻰىىﻯيکیہەھ]|[\u0900-\u097F]|ֹ)', '', text) # در پس
text = re.sub(u'(?<![ئبپتثجچحخسشصضطظعغفقکگلمنهیيًٌٍَُِّْٰٓٔك\[\]ﮑﮐﮏﮎﻜﻛﻚﻙىىىﻴﻳﻲﻱﻰىىﻯيکیہەھ]|[\u0900-\u097F]|f|ֹ)', '', text) # در پیش
text=arabic_to_farsi(text)
text = re.sub(u"(?:"+zaed+u")", "", text)
#اصلاح شماره‌بندی
text=text.replace(u'\n•',u'\n*')
text=text.replace(u'\n\n*',u'\n*').replace(u'\n\n#',u'\n#').replace(u'\n# \n',u'\n#').replace(u'\n#\n',u'\n#').replace(u'\n*\n',u'\n*').replace(u'\n* \n',u'\n*').replace(u'\n*==',u'\n==').replace(u'\n#==',u'\n==').replace(u'\n* ==',u'\n==').replace(u'\n# ==',u'\n==')
text=text.replace(u'\n\n**',u'\n**').replace(u'\n\n##',u'\n##').replace(u'\n## \n',u'\n##').replace(u'\n##\n',u'\n##').replace(u'\n**\n',u'\n**').replace(u'\n** \n',u'\n**').replace(u'\n**==',u'\n==').replace(u'\n##==',u'\n==').replace(u'\n** ==',u'\n==').replace(u'\n## ==',u'\n==')
#text = re.sub(re.compile(ur'^[\d۰-۹]+\s*[-_ـ–]\s*(.*)(\n|<br \/>)(?=\n)', re.MULTILINE), ur"# \1",text)
#تمیزکاری عنوان
#----cleaning for subsections -----
text=re.sub(ur'(\< *\/ *br *\>|\< *br *\\ *\>|\< *br *\. *\>)',u'<br/>',text)
if u'{|' in text: # dont edit inside table
text_table=text.split('{|')[1].split('|}')[0]
text1=re.sub(ur"(\n\{\{سخ\}\}|\n\n)\'\'\'(.*?)\'\'\'[\s_](\{\{سخ\}\}\n|\n\n)",r"\n\n== \2 ==\n\n",text_table)
text1=re.sub(ur"(\n\{\{سخ\}\}|\n\n)\'\'\'(.*?)\'\'\'(\{\{سخ\}\}\n|\n\n)",r"\n\n== \2 ==\n\n",text1)
text1=re.sub(ur"(\n\{\{سخ\}\}|\n\n)[\s_]\'\'\'(.*?)\'\'\'(\{\{سخ\}\}\n|\n\n)",r"\n\n== \2 ==\n\n",text1)
text1=re.sub(ur"\n\n\'\'\'(.*?)\'\'\'(\s)\n\n",r"\n\n== \1 ==\n\n",text1)
text1=re.sub(ur"\n\n\'\'\'(.*?)\'\'\'(\s)\n\n",r"\n\n== \1 ==\n\n",text1)
text1=re.sub(ur"\n\n\'\'\'(.*?)\'\'\'(\s)\n([\n\#\*])",r"\n\n== \1 ==\n\3",text1)
if text1 == text_table:
thepass=True
else:
thepass=False
del text1, text_table
else:
thepass=True
if thepass:
text=re.sub(ur"(\n\{\{سخ\}\}|\n\n)\'\'\'(.*?)\'\'\'[\s_](\{\{سخ\}\}\n|\n\n)",r"\n\n== \2 ==\n\n",text)
text=re.sub(ur"(\n\{\{سخ\}\}|\n\n)\'\'\'(.*?)\'\'\'(\{\{سخ\}\}\n|\n\n)",r"\n\n== \2 ==\n\n",text)
text=re.sub(ur"(\n\{\{سخ\}\}|\n\n)[\s_]\'\'\'(.*?)\'\'\'(\{\{سخ\}\}\n|\n\n)",r"\n\n== \2 ==\n\n",text)
text=re.sub(ur"\n\n\'\'\'(.*?)\'\'\'(\s)\n\n",r"\n\n== \1 ==\n\n",text)
text=re.sub(ur"\n\n\'\'\'(.*?)\'\'\'(\s)\n\n",r"\n\n== \1 ==\n\n",text)
text=re.sub(ur"\n\n\'\'\'(.*?)\'\'\'(\s)\n([\n\#\*])",r"\n\n== \1 ==\n\3",text)
text=re.sub(ur"^(=+([^=].*?)=+)[\t\s]{1,}\n",r"\1\n",text)
text = re.sub(re.compile(ur'^(\={2,}) *(.*?) *(\={2,})', re.MULTILINE), ur"\1 \2 \3",text).replace(u"== ",u'== ').replace(u" ==",u' ==')
for i in range(0,40):
text=text.replace(u"= =",u'==').replace(u"= =",u'==')
text=text.replace(u"--------",u'----').replace(u"-----",u'----')
text=text.replace(u'== "',u'== ').replace(u'" ==',u' ==')
text=text.replace(u"== '''",u'== ').replace(u"''' == ",u' ==')
text=text.replace(u"=='''",u'==').replace(u"'''== ",u'==')
for i in u".:,;&^#@•→←↔↑↓…~٫،؛ٔ*":
text=text.replace(u"== "+i,u"== ").replace(i+u" ==",u" ==").replace(u"\n\n"+i+u"\n\n",u"\n\n").replace(u"=\n"+i+u"\n\n",u"=\n\n")
#زیربخش‌ها فقط یکی باشند
if text.find(u'==')==-1:
text2 = re.sub(re.compile(ur'^\=([^\=\r\n]+)\=$', re.MULTILINE), ur"== \1 ==",text)
if text!=text2:
text=text2.replace(u'\n= ',u'\n= ').replace(u' =\n',u' =\n')
#----cleaning for links and wiki syntaxes-----
text=text.replace(u'[[ ',u'[[').replace(u' ]]',u']]').replace(u' }}',u'}}').replace(u'{{ ',u'{{').replace(u'< ',u'<').replace(u' >',u'>').replace(u'</ ',u'</').replace(u' />',u'/>')
text=text.replace(u'[[ ',u'[[').replace(u' ]]',u']]').replace(u' }}',u'}}').replace(u'{{ ',u'{{').replace(u'== ',u'== ').replace(u'== ',u'== ').replace(u' ==',u' ==').replace(u' ==',u' ==')
text=text.replace(u'\n ]]\n',u']]\n').replace(u'\n]]\n',u']]\n')
#----cleaning for images-----
text=text.replace(u'\r',u'').replace(u'{{audio||Play}}',u'').replace(u'<gallery>\n\n</gallery>',u'').replace(u'<gallery>\n</gallery>',u'').replace(u'<gallery></gallery>',u'')
text = re.sub(ur'\[\[ *(?:[Cc]ategory|رده):', u'[[رده:', text)
text = re.sub(ur'\{\{ *(?:[Tt]emplate|الگو):', u'{{', text)
text = re.sub(ur'\[\[ *(?:[Ii]mage|[Ff]ile|تصویر|تصوير):', u'[[پرونده:', text)
text=text.replace(u'تصویر:',u'پرونده:').replace(u'تصوير:',u'پرونده:').replace(u'پرونده:تصویر:',u'پرونده:')
text=text.replace(u'پرونده:پرونده:',u'پرونده:').replace(u'پرونده:تصوير:',u'پرونده:')
text=text.replace(u'تصویر:|\n',u'')
text=text.replace(u'پرونده:|\n',u'')
text=text.replace(u'تصوير:|\n',u'')
#e: عنوان‌ها
txet=text.replace(u'<small>',u'{{کوچک}}').replace(u'</small>',u'{{پایان کوچک}}')
text=text.replace(u'== منابع ==\n\n== منابع ==',u'== منابع ==').replace(u'== منابع ==\n\n\n== منابع ==',u'== منابع ==').replace(u'== منابع ==\n== منابع ==',u'== منابع ==')
text = re.sub(ur'\=\s*پانو[یي]س[ ]?(?:ها)?\s*\=', u'= پانویس =', text)
text = re.sub(ur'\=\s*گالر[یي]\s*\=', u'= نگارخانه =', text)
text = re.sub(ur'\=\s*نگارستان\s*\=', u'= نگارخانه =', text)
text = re.sub(ur'\=\s*پاورقی\s*\=', u'= پانویس‌ها =', text)
text = re.sub(ur'\=\s*پاورقی‌ها\s*\=', u'= پانویس‌ها =', text)
text = re.sub(ur'\=\s*لیست\s*\=', u'= فهرست =', text)
text = re.sub(ur'\=\s*جُ?ستار(?:ها[یي])? (?:وابسته|د[یي]گر|مرتبط|مشابه)\s*\=', u'= جستارهای وابسته =', text)
text = re.sub(ur'\=\s*(?:همچنین ببینید|ببینید)\s*\=', u'= جستارهای وابسته =', text)
text = re.sub(ur'\=\s*(?:منبع|منبع[ ]?ها|رفرنس|رفرنس[ ]?ها|ارجاع[ ]?ها|ارجاع|مرجع[ ]?ها|رفرنس|برگرفته از|مراجع|منابع و یادداشت[ ]?ها|منبع|مرجع|فهرست مراجع|لیست مراجع|فهرست ارجاع[ ]?ها|فهرست ارجاع)\s*\=', u'= منابع =', text)
text = re.sub(ur'\=\s*(?:پ[یي]وند|ل[یي]ن[کك])[ ]?(?:ها[یي])? (?:به ب[یي]رون|ب[یي]رون[یي]|خارج[یي])\s*\=', u'= پیوند به بیرون =', text)
text=text.replace(u'= همچنین ببینید =',u'= جستارهای وابسته =').replace(u'=همچنین ببینید=',u'= جستارهای وابسته =').replace(u'=مطالب مرتبط=',u'= جستارهای وابسته =').replace(u'= مطالب مرتبط =',u'= جستارهای وابسته =').replace(u'= مطلب مرتبط =',u'= جستارهای وابسته =').replace(u'=مطلب مرتبط=',u'= جستارهای وابسته =')
# تمیزکاری زیربخش‌های پردندانه
# اصلاح مواردی که همه زیر بخش‌ها ۳ تایی باشند
text_test=re.sub(r'\n\=+ (منابع|جستارهای وابسته|پیوند به بیرون|پانویس|نگارخانه) \=+\n','',text)
if text_test.find(u'\n== ')==-1:
#۳ تایی
if text_test.find(u'\n=== ')!=-1:
text = re.sub(re.compile(ur'^\=\=\=([^\=\r\n]+)\=\=\=$', re.MULTILINE), ur"== \1 ==",text)
text = re.sub(re.compile(ur'^\=\=\=\=([^\=\r\n]+)\=\=\=\=$', re.MULTILINE), ur"=== \1 ===",text)
# ۴ تایی
elif text_test.find(u'\n==== ')!=-1:
text = re.sub(re.compile(ur'^\=\=\=\=([^\=\r\n]+)\=\=\=\=$', re.MULTILINE), ur"== \1 ==",text)
else:
text=text.replace(u'===',u'==')
text=text.replace(u'== ',u'== ').replace(u' ==',u' ==').replace(u'== ',u'== ').replace(u' ==',u' ==')
#text = re.sub(re.compile(ur"^(\=+)([^\=\r\n]+)(\=+)$", re.MULTILINE), ur"\1 \2 \3",text)
text = re.sub(re.compile(ur"^(\=+) ?\<(?:small|big) *\>([^\=\r\n]+)\<\/(?:small|big) *\> ?(\=+)$", re.MULTILINE), ur"\1 \2 \3",text)
text=text.replace(u'== ',u'== ').replace(u' ==',u' ==').replace(u'== ',u'== ').replace(u' ==',u' ==').replace(u'== ',u'== ').replace(u' ==',u' ==').replace(u'== ',u'== ').replace(u' ==',u' ==')
text_test=re.sub(ur'\n\=\= (منابع|جستارهای وابسته|پیوند به بیرون|پانویس|نگارخانه) \=\=\n',u'',text)
if string.count(text_test,u'\n== ')==0 and string.count(text_test,u' ==\n')==0:
if string.count(text_test,u'\n=== ')==0 and string.count(text_test,u' ===\n')==0:
text=text.replace(u'====',u'==')
else:
text=text.replace(u'===',u'==')
#e: <ref> & {{پانویس}}
text = re.sub(ur'<(?:\s*|\s*/\s*)references?(?:\s*|\s*/\s*)>', u'{{پانویس}}', text).replace(u'<references />',u'{{پانویس}}').replace(u'<references/>',u'{{پانویس}}')
text = re.sub(ur'{{(?:[Rr]eflist|[Rr]eferences?|پانویس[ ]?ها)(?=\||})', u'{{پانویس', text)
text = re.sub(ur'{{(پایان|آغاز|) ?(چپ|راست|وسط)[ ]?چین}}', ur'{{\1 \2چین}}', text).replace(u'{{ چپ‌چین}}',u'{{چپ‌چین}}').replace(u'{{ راست‌چین}}',u'{{راست‌چین}}')
text = re.sub(ur'{{راست‌چین}}\s*{{پانویس(.*?)}}\s*{{پایان راست‌چین}}', ur'{{پانویس\1}}', text, re.S)
text = re.sub(ur'{{چپ‌چین}}\s*{{پانویس(.*?)}}\s*{{پایان چپ‌چین}}', ur'{{پانویس\1|چپ‌چین=بله}}', text, re.S)
text = re.sub(ur'<small>\s*{{پانویس(.*?)}}\s*</small>', ur'{{پانویس\1|اندازه=کوچک}}', text, re.S)
text = re.sub(ur'{{راست‌چین}}\s*{{پانویس(.*?)}}\s*{{پایان راست‌چین}}', ur'{{پانویس\1}}', text, re.S)
text = re.sub(ur'{{چپ‌چین}}\s*{{پانویس(.*?)}}\s*{{پایان چپ‌چین}}', ur'{{پانویس\1|چپ‌چین=بله}}', text, re.S)
text = re.sub(ur'<small>\s*{{پانویس(.*?)}}\s*</small>', ur'{{پانویس\1|اندازه=کوچک}}', text, re.S)
refsa=re.findall(ur'(?ism)<ref[ >].*?</ref>',text, re.S)
if refsa:
if len(refsa) > 7:
text = text.replace(u'{{پانویس}}',u'{{پانویس|۲}}')
text = text.replace(u'{{پانویس|اندازه=کوچک}}',u'{{پانویس|۲|اندازه=کوچک}}')
text = text.replace(u'{{پانویس|عرض=۳۰}}',u'{{پانویس|۲|عرض=۳۰}}')
text = text.replace(u'{{پانویس|اندازه=ریز}}',u'{{پانویس|۲|اندازه=ریز}}')
text = text.replace(u'{{پانویس|گروه=پانویس}}',u'{{پانویس|۲|گروه=پانویس}}')
text = text.replace(u'{{پانویس|چپ‌چین=بله}}',u'{{پانویس|۲|چپ‌چین=بله}}')
text=text.replace(u'==<',u'==\n<').replace(u'>==',u'>\n==')#واگردانی خطای کد
# Files
text = re.sub(ur'\[\[ *[Ii]mage *: *', u'[[پرونده:', text)
text = re.sub(ur'\[\[ *[Ff]ile *: *', u'[[پرونده:', text)
text = re.sub(ur'(\[\[پرونده:.*?\|) *thumb *(?=\|.*?]])', ur'\1بندانگشتی', text)
text = re.sub(ur'(\[\[پرونده:.*?\|) *left *(?=\|.*?]])', ur'\1چپ', text)
text = re.sub(ur'(\[\[پرونده:.*?\|) *right *(?=\|.*?]])', ur'\1راست', text)
text = re.sub(ur'(\[\[پرونده:.*?\|) *center *(?=\|.*?]])', ur'\1وسط', text)
text = re.sub(ur'(\[\[پرونده:.*?\|) *link *= *(?=.*?]])', ur'\1پیوند=', text)
#a: الگوافزایی
if text.find(u'{{پانویس')==-1 and text.find(u'<references group')==-1:
if text.find(u'= منابع =') !=-1:
text = re.sub(ur'(= منابع =+\n)', ur'\1{{پانویس}}\n', text, re.S)
#e: نام الگوها
text = re.sub(u'{{(?:جا:|subst:|)(?:فم|نیم[ ]?فاصله|فاصلهٔ? مجازی)}}', u'', text)
text = re.sub(u'{{(?:جا:|subst:|)--}}', u'–', text)
text = re.sub(u'{{(?:جا:|subst:|)---}}', u'—', text)
text = re.sub(u'{{(?:DEFAULTSORT|[Dd]efaultsort|ترتیب|ترتیب[ ]پیش[ ]?فرض) *[|:] *(?=.*?}})', u'{{ترتیب‌پیش‌فرض:', text)
text=re.sub(ur'{{(ترتیب‌پیش‌فرض|DEFAULTSORT):[-\w,\s\(\)]+}}\n?', ur'', text)
text = re.sub(ur'{{(?:[Cc]ommons?|انبار|ویکی انبار) ?\|', u'{{ویکی‌انبار|', text)
text = re.sub(ur'{{(?:[Ww]ikispecies|ویکی گونه) ?\|', u'{{ویکی‌گونه|', text)
text = re.sub(ur'{{(?:[Cc]ommons?[\- ]?(?:[Cc]ats?|[Cc]ategory)|(?:ویکی[ ]?|)انبار[\- ]?رده) ?\|', u'{{ویکی‌انبار-رده|', text)
text = re.sub(u'{{(?:منبع|ذکر منبع|درخواست یادکرد منا?بع|نیاز به منبع|بی[ ]منبع|منبع کم|[Uu]nreferenced)}}', u'{{بدون منبع}}', text)
text = re.sub(u'{{(?:تمیز ?[کك]اری|[Cc]lean ?up)}}', u'{{تمیزکاری}}', text)
text = re.sub(u'{{(?:منا?بع بیشتر|بهبود منا?بع|به)}}', u'{{بهبود منبع}}', text)
text = re.sub(u'{{وی[کك]ی[ ]?(?:سازی)}}', u'{{ویکی‌سازی}}', text)
text = re.sub(u'{{(?=(?:'+langs+ur')\|)', ur'{{به ', text)
#جعبه اطلاعات
# خط اضافی بعد از جعبه اطلاعات
text_box=Get_box (text)
if text_box:
text_box=text_box.strip()
if text_box.strip():
text=text.replace(text_box+u'\n\n',text_box+u'\n')
#تمیزکاری سرخط
for i in range(0,2):
text=text.replace(u'{{سخ}} ',u'{{سخ}}').replace(u'{{سخ}} ',u'{{سخ}}').replace(u' {{سخ}}',u'{{سخ}}').replace(u' {{سخ}}',u'{{سخ}}').replace(u'{{سخ}}\n==',u'\n==').replace(u'==\n{{سخ}}',u'==\n').replace(u'=={{سخ}}',u'==').replace(u'{{سخ}}==',u'==')
text=text.replace(u']]\n{{سخ}}',u']]{{سخ}}').replace(u'{{سخ}}\n[[',u'{{سخ}}[[').replace(u'{{سخ}}\n\n==',u'\n\n==').replace(u'{{سخ}}\n\n\n==',u'\n\n==').replace(u'{{سخ}}\n==',u'\n==').replace(u'==\n\n{{سخ}}',u'==\n\n').replace(u'==\n\n\n{{سخ}}',u'==\n\n')
text=text.replace(u'{{سخ}}\n*',u'\n*').replace(u'{{سخ}}\n\n*',u'\n*').replace(u'{{سخ}}\n#',u'\n#').replace(u'{{سخ}}\n\n#',u'\n#').replace(u'{{سخ}}\n|',u'\n|').replace(u'{{سخ}}\n\n|',u'\n|')
text=text.replace(u'%7B%7Bسخ}}',u'{{سخ}}')#Correcting the bug
#تمیزکاری ارجاع‌ها
text=text.replace(u'\n<ref',u'<ref').replace(u'</ref>\n<ref',u'</ref><ref').replace(u'</ref>{{سخ}}<ref',u'</ref><ref')
#e: کامنت‌های اضافی
comment_list=[u'<small></small>',u'<sup></sup>',u'<sub></sub>',u'<code></code>',u'<pre></pre>',u'<math></math>',u'<nowiki></nowiki>',u"'''متن پررنگ'''",u"''متن مورب''",u'<!--توضیح-->',u'<!--- رده‌بندی --->',u'<!--- میان‌ویکی را وارد کنید مثل [[en:Article]] --->',u'<!--- [[ویکی‌پدیا:پانویس‌ها]] را بخوانید. در وسط مقاله از <ref>منبع</ref> به عنوان منبع استفاده کنید -->']
for item in comment_list:
text=text.replace(item,u'').replace(item+u'\n',u'').replace(item.replace(u'><',u'>\n<'),u'').replace(item.replace(u'><',u'>\n\n<'),u'')
#اصلاح نشانی اینترنتی
text=re.sub(ur'(\<ref.*?\>) *(\[|)\www\.',u'\1\2http://www.',text)
text=re.sub(ur'\[\[ *(https?\:\/\/.*?) *\]\]',u'[\1]',text)
text=re.sub(ur'\[\[ *(\/\/.*?) *\]\]',u'[\1]',text)
text=re.sub(ur'(https?:\/?\/?){2,}',u'\1',text)
text=re.sub(ur'^ +(\=+[^\=]+\=+)',u'\1',text, re.MULTILINE)
text=re.sub(ur'\[\[\|',u'[[',text)
text=re.sub(ur'\[\[([^\]]+)\{\{\!\}\}([^\]]+)\]\]',ur'[[\1|\2]]',text)
text=re.sub(ur'\[{2}([^\|]+)\|\1\]{2}',ur'[[\1]]',text)
#حذف رده انگلیسی
text = re.sub(ur'\[\[([Cc]ategory|رده):[\w\s\–\-\|]+?\]\]\r?\n?', u"",text).replace(u'[[رده:|]]',u'')
#ابهام‌ردایی
for i in [u'ابهام زدایی',u'ابهامزدایی',u'ابهامزدائی',u'ابهامزدائی',u'ابهام زدائی']:
text=text.replace(u'{{'+i+u'}}',u'{{ابهامزدایی}}').replace(u'{{'+i.replace(u'ی',u'ي')+u'}}',u'{{ابهامزدایی}}')
#الگوهای خرد
#if text.find(u'-خرد}}')!=-1:
# text=subs (text)
#الگوها و خطوط
text = re.sub(ur'(\n\{\{.*?\}\}\n)\n+(\{\{.*?\}\}\n)',r"\1\2",text)
#تمیزکاری خطوط
text=text.replace(u'\n\n{{-}}\n\n',u'\n{{-}}\n').replace(u' [[پرونده:]] ',u'').replace(u'<!---->\n',u'').replace(u'<!---->',u'')
text = re.sub('[\r\n]{3,}', "\n\n",text)
text=text.replace(u"\n''''''\n",u"\n")
if old_text!=text:
if msg_short:
msg=u'تمیز+'+msg
else:
msg=u'تمیزکاری + '+msg
text=text.replace(u'==<',u'==\n<').replace(u'>==',u'>\n==')
return text.strip(),msg
def subs (text):
subslinks = re.findall(ur'\{\{.*?\-خرد\}\}',text, re.S)
tem=u'\n'
for i in subslinks:
text=text.replace(i,u'')
tem+=i+u'\n'
tem=u'\n\n'+tem.strip()+u'\n'
text=add_cat_top (text,tem)
return text
def Citation_links(text,msg):
return ref_link_correction_core.main(text,msg)
def Citation (text,msg):
done=False
for a in [u'{{citation',u'{{Citation']:
if a in text:
subslinks=text.split(a)
b=0
for item in subslinks:
b+=1
if b==1 or a+u' needed' in item :
continue
item=item.split(u'}}')[0]
item_old=item
count=-1
for i in u'۰۱۲۳۴۵۶۷۸۹':
count+=1
item=item.replace(i,str(count))
if item!=item_old:
text=text.replace(item_old,item)
done=True
if done:
msg=u'ارجاع+'+msg
return text,msg
def persian_sort(categorylist):
finallradeh,s_radeh=[],[]
alphabets=u' ۰۱۲۳۴۵۶۷۸۹آابپتثجچحخدذرزژسشصضعغفقکگلمنوهی'
for radeh in categorylist:
radeh=radeh.replace(u'[[رده:',u'').replace(u']]',u'')
coderadeh=radeh
for i in range(0,len(alphabets)):
alphabet=alphabets[i]
if i<10:
j='0'+str(i)
else:
j=str(i)
coderadeh=coderadeh.replace(alphabet,j)
s_radeh.append(coderadeh+u'0000000000000000000@@@@'+radeh)
s_radeh=list(set(s_radeh))
sortedradeh=sorted(s_radeh)
for radeh in sortedradeh:
radeh=u'[[رده:'+radeh.split(u'@@@@')[1]+u']]'
finallradeh.append(radeh)
return finallradeh
def CatSorting(text,page,msg_short,msg=msg):
new_text=text
RE=re.compile(u"(\[\[رده\:(?:.+?)\]\])")
cats=RE.findall(text)
if not cats:
return text,msg
for i in cats:
new_text=new_text.replace(i,u"")
cats=persian_sort(cats)
for name in cats:
if re.search(u"\[\[(.+?)\|[ \*]\]\]",name) or u"[[رده:"+page.title()==name.split(u"]]")[0].split(u"|")[0]:
cats.remove(name)
cats.insert(0, name)
if cats==RE.findall(text):
return text,msg
for i in cats:
new_text=new_text+u"\n"+i
signal.signal(signal.SIGALRM, timeout_handler)
signal.alarm(300) #if cosmetic_changes takes more than 300 sec it will aborted
try:
ccToolkit = cosmetic_changes.CosmeticChangesToolkit(page.site, redirect=page.isRedirectPage(), namespace = page.namespace(), pageTitle=page.title())
new_text = ccToolkit.change(new_text)
except TimeoutException:
pywikibot.output(u'-----Time out--')
pass
signal.alarm(0)
if msg_short:
msg=u'مرتب+'+msg
else:
msg=u' + مرتب‌سازی رده‌ها + '+msg
return new_text,msg
def add_cat_top (text,addtemplate):
text=text.replace(addtemplate+u'\n',u'')
if text.find(u'\n<!-- رده‌ها -->\n')!=-1:
num=text.find(u'\n<!-- رده‌ها -->\n')
text=text[:num]+addtemplate+u'\n'+text[num:]
return text
if text.find(u'رده:')!=-1:
num=text.find(u'[[رده:')
text=text[:num]+addtemplate+u'\n'+text[num:]
else:
m = re.search(ur'\[\[([a-z]{2,3}|[a-z]{2,3}\-[a-z\-]{2,}|simple):.*?\]\]', text)
if m:
if m.group(0)==u'[[en:Article]]':
try:
if string.count(text,u'[[en:Article]] --->')==1:
text=text.split(u'[[en:Article]] --->')[0]+u'[[en:Article]] --->\n'+addtemplate+text.split(u'[[en:Article]] --->')[1]
else:
text+='\n'+addtemplate
except:
text+='\n'+addtemplate
else:
num=text.find(m.group(0))
text=text[:num]+addtemplate+'\n'+text[num:]
else:
text+='\n'+addtemplate
return text
def tem_cleaner(text,page):
old_text=text
text=text.replace(u'\r',u'')
templates=templatequery(page.title(),'fa')
khord,tartib=u'\n',u'\n'
if not templates:
return old_text
for i in templates:
if u'{{'+i.replace(u'الگو:',u'') in text:
temp_braket=u'{{'+i.replace(u'الگو:',u'')+text.split(u'{{'+i.replace(u'الگو:',u''))[1].split(u'}}')[0]+u'}}'
if u'infobox' in temp_braket.lower() or string.count( temp_braket,u"|" )>1 or string.count( temp_braket,u"\n" )>0 or u'جعبه' in temp_braket:
continue
template_sub=templatequery(i,'fa')
if template_sub:
if u'الگو:الگوی خرد' in template_sub or u'-خرد' in i:
khord+=temp_braket+u'\n'
text=text.replace(temp_braket,u'').replace(u'}}\n\n{{',u'}}\n{{')
for b in [u'الگو:DEFAULTSORT', u'الگو:ترتیب رده', u'الگو:تنظیم رده', u'الگو:Defaultsort', u'الگو:ترتیب پیش‌فرض']:
if b==i and u'{{ترتیب‌پیش‌فرض' in text:
text=text.replace(temp_braket,u'').replace(u'}}\n\n{{',u'}}\n{{')
if u'{{ترتیب‌پیش‌فرض' in text:
tartib=u'{{ترتیب‌پیش‌فرض'+text.split(u'{{ترتیب‌پیش‌فرض')[1].split(u'}}')[0]+u'}}'
text=text.replace(tartib,u'').replace(u'}}\n\n{{',u'}}\n{{')
addtext=re.sub('[\r\n]{3,}',u'\n\n',u'\n'+khord+u'\n\n'+tartib+u'\n')
if addtext.strip():
text=add_cat_top (text, addtext)
text = re.sub('[\r\n]{3,}', "\n\n",text)
text=text.replace(u'}}\n\n{{',u'}}\n{{').replace(u'}}\n\n\n[[',u'}}\n\n[[')
if khord.strip():
text=text.replace(u'}}'+khord,u'}}\n'+khord)
if tartib.strip():
text=text.replace(u'}}\n'+tartib,u'}}\n\n'+tartib)
return text
else:
return old_text
def UnicodeURL(text,msg=msg):
old_text=text
RE=re.compile(ur'\/\/.*?(?=[\s\n\|\}\]]|$)')
fa_Urls=RE.findall(text)
if fa_Urls:
for URL in fa_Urls:
try:
URL=URL.split('<')[0]
new_URL=urllib.unquote(URL.encode('utf8')).decode('utf8').replace(u' ',u'%20').replace(u'{',u'%7B').replace(u'%7B%7Bپیوند',u'{{پیوند').replace(u'|',u'%7C').replace(u'}',u'%7D').replace(u'[',u'%5B').replace(u']',u'%5D')
new_URL=new_URL.replace(u'"',u'%22').replace(u"'",u'%27')
new_URL = re.sub('[\r\n\t]', "",new_URL)
text=text.replace(URL,new_URL)
except:
continue
text=re.sub(ur'\[(https?\:)(?=\/\/(?:[\w\-]+)\.(wikipedia|wikimedia|wikidata|wiktionary|wikisource|wikinews|wikivoyage|wikiquote)\.org\/[^\s\]]*)', ur'[',text)
if old_text!=text:
msg=u'نشانی+'+msg
return text,msg
def boxfind(text_en):
text_en=text_en.replace(u'{{ ',u'{{').replace(u'{{ ',u'{{').replace(u'{{template:',u'{{').replace(u'{{Template:',u'{{').replace(u'\r',u'')
start=False
box=u'\n'
diff=1
linebaz,linebasteh=0,0
for our_box in boxes:
our_box=our_box.strip()
up_our_box=our_box[0].upper()+our_box[1:]
lower_our_box=our_box[0].lower()+our_box[1:]
regex_result=re.findall(u'(\{\|([\n\s]+|)\{\{([\s]+|)'+our_box+u')',text_en, re.IGNORECASE)
if regex_result:
if regex_result[0][0].strip():
pre_template=u'{|'
post_tempate=u'|}'
text_en=text_en.replace(u'{| ',u'{|').replace(u'{| ',u'{|').replace(u'{|\n',u'{|').replace(u'{|\n',u'{|')
text_en=text_en.replace(u' |}',u'|}').replace(u' |}',u'|}').replace(u'\n|}',u'|}').replace(u'\n|}',u'|}')
else:
pre_template,post_tempate=u'',u''
lines=text_en.split('\n')
for line in lines:
if line==u'':
continue
if line.find(pre_template+u'{{'+lower_our_box)!=-1 :# lower case
start=True
linebaz,linebasteh=0,0
box+=pre_template+u'{{'+lower_our_box+line.split(pre_template+u'{{'+lower_our_box)[1]+'\n'
linebaz += string.count( line,pre_template+"{{" )
linebasteh += string.count( line,"}}"+post_tempate )
diff=linebaz-linebasteh
continue
if line.find(pre_template+u'{{'+up_our_box)!=-1 :# upper case
start=True
linebaz,linebasteh=0,0
box+=pre_template+u'{{'+up_our_box+line.split(pre_template+u'{{'+up_our_box)[1]+'\n'
linebaz += string.count( line,pre_template+"{{" )
linebasteh += string.count( line,"}}" +post_tempate)
diff=linebaz-linebasteh
continue
if start==True and diff!=0:
linebaz += string.count( line,pre_template+"{{" )
linebasteh += string.count( line,"}}"+post_tempate )
diff=linebaz-linebasteh
box+=line+'\n'
if diff==0 and start==True:
break
if box.strip():
break
return box.replace(u'}}|}',u'}}\n|}')
def Get_box (txt):
my_box=boxfind(txt)
if my_box.strip():
return my_box
txt=txt.replace(u'\r',u'')
lines=txt.split('\n')
matn=' '
for line in lines:
linebaz=string.count(line,'{{')
linebaste=string.count(line,'}}')
diff=linebaz-linebaste
if diff==0:
line=line.replace('{{','$AAAA$').replace('}}','!BBBB!')
linebaz=0
linebaste=0
matn+=line+u'\n'
my_box=''
for our_box in boxes:
our_box=our_box.strip()
try:
my_box= re.search(ur'(\{\{\s*['+our_box[0].lower()+our_box[0].upper()+ur']'+our_box[1:]+ur'[_\s](?:\{\{.*?\}\}|[^\}])*\}\})',matn, re.S).group(1)# if Template box has other name please chang this regex
my_box=my_box.replace(u'$AAAA$',u'{{').replace(u'!BBBB!',u'}}')
break
except:
continue
if not my_box.strip():
return False
return my_box
def reverting (text,old_text):
#واگردانی بابت رفع باگ کد زیباسازی پای‌ویکی‌پدیا
text=text.replace(u'< /',u'</')
# math
Regexs=re.compile(ur'\<math\>.*?\<\/math\>')
maths = Regexs.findall(text)
old_maths = Regexs.findall(old_text)
count=0
for m in maths:
text=text.replace(maths[count],old_maths[count])
count+=1
#ابر
Regexs=re.compile(ur'\<\!\-\-ابر\-\-\>(?:\n*.*?)+\<\!\-\-\/ابر\-\-\>')
abars = Regexs.findall(text)
old_abars = Regexs.findall(old_text)
count=0
for abar in abars:
text=text.replace(abars[count],old_abars[count])
count+=1
# source
Regexs=re.compile(ur'(?is)<'+ur'source\b(?:\n*.*?)+<'+ur'/source'+ur'>')
sources = Regexs.findall(text)
old_sources = Regexs.findall(old_text)
count=0
for source in sources:
text=text.replace(sources[count],old_sources[count])
count+=1
# score
Regexs=re.compile(ur'(?is)<'+ur'score\b(?:\n*.*?)+<'+ur'/score'+ur'>')
scores = Regexs.findall(text)
old_scores = Regexs.findall(old_text)
count=0
for score in scores:
text=text.replace(scores[count],old_scores[count])
count+=1
text=text.replace(u'\r',u'')
text=text.replace(u'==<',u'==\n<').replace(u'>==',u'>\n==')
return text
def finall_cleaning(txt):
#---zwnj cleaning
txt = re.sub(u'{2,}', u'', txt)
txt = re.sub(u'(?![ئاآأإژزرذدوؤةبپتثجچحخسشصضطظعغفقکگلمنهیيً\[\]ٌٍَُِّْٰٓٔكﮑﮐﮏﮎﻜﻛﻚﻙىىىﻴﻳﻲﻱﻰىىﻯيکیہەھ]|[\u0900-\u097F]|ֹ)', '', txt) # در پس
txt = re.sub(u'(?<![ئبپتثجچحخسشصضطظعغفقکگلمنهیيًٌٍَُِّْٰٓٔك\[\]ﮑﮐﮏﮎﻜﻛﻚﻙىىىﻴﻳﻲﻱﻰىىﻯيکیہەھ]|[\u0900-\u097F]|f|ֹ)', '', txt) # در پیش
return txt
def fa_cosmetic_changes(text,page,msg=msg,msg_short=True):
old_text=text
old_msg=msg
if page.namespace()==0 or testpass:#-------These functions are designed for namespace=0.
text=text.replace(u'[[\u200c',u'[[اااااااا').replace(u']]\u200c',u']]بببببببببب')
text=text.replace(u'\u200c[[',u'ججججججججججج[[').replace(u'\u200c]]',u'چچچچچچچچچچ]]')
text=text.replace(u'ː',u':') #replace nostandard : with standard one
text,msg=cleaning(text,msg_short,msg)
if text==minor_edits(old_text):#---------------Undoing minor changes
text=old_text
msg=old_msg
text_new=tem_cleaner(text,page)
text_new,msg=autoEdISBN(text_new,msg)
text_new,msg=CatSorting(text_new,page,msg_short,msg)
text_new,msg=Dictation(text_new,msg_short,msg)
text_new,msg=UnicodeURL(text_new,msg)
text_new,msg=Citation(text_new,msg)
text_new,msg=Citation_links(text_new,msg)
if text_new!=text:
text=minor_edits(text_new)
msg=msg.replace(u"+(",u" (").replace(u"+ (",u" (").replace(u"++",u"+").replace(u"+ +",u"+")
if msg.strip()==u'('+cleaning_version +u')':
msg=u''
else:
msg=u'+'+msg
text=text.replace(u'[[اااااااا',u'[[\u200c').replace(u']]بببببببببب',u']]\u200c')
text=text.replace(u'ججججججججججج[[',u'\u200c[[').replace(u'چچچچچچچچچچ]]',u'\u200c]]')
text=reverting(text,old_text)
text=text.replace(u'چچچچچچچچچچ',u'').replace(u'ججججججججججج',u'').replace(u'بببببببببب',u'').replace(u'اااااااا',u'')
return text,cleaning_version,msg
def run(preloadingGen,msg):
msg_o=msg
for fapage in preloadingGen:
#try:
pywikibot.output(u'------fa_cosmetic_changes starting on '+fapage.title()+u' .....------------')
msg=msg_o
try:
text=fapage.get()
except:
pywikibot.output(u'Page '+fapage.title()+u' had problem!')
continue
old_text=text
text,cleaning_version,msg=fa_cosmetic_changes(text,fapage,msg=msg,msg_short=True)
if old_text!=text and text!=minor_edits(old_text):
pywikibot.output(u'-------------------------------------------')
msg=u'ربات:زیباسازی'+msg.strip()+u' ('+cleaning_version +u')'
msg=msg.replace(u"+(",u" (").replace(u"+ (",u" (").replace(u"++",u"+").replace(u"+ +",u"+").strip()
fapage.put(text,msg)
msg_short=u''
msg=u''
#except:
# continue
def fa_replaceExcept(text, old, new, exceptions,marker='', site=None):
if site is None:
site = pywikibot.Site()
exceptionRegexes = {
'comment': re.compile(r'(?s)<!--.*?-->'),
'header': re.compile(r'\r?\n=+.+=+ *\r?\n'),
'pre': re.compile(r'(?ism)<pre>.*?</pre>'),
'source': re.compile(r'(?is)<'+ur'source (?:\n*.*?)+<'+ur'/source'+ur'>'),
'score' : re.compile(r'(?is)<'+ur'score (?:\n*.*?)+<'+ur'/score'+ur'>'),
'category': re.compile(ur'\[\[رده\:.*?\]\]'),
'ref': re.compile(r'(?ism)<ref[ >].*?</ref>'),
'URL': re.compile(r'\[\.*?\]'),
'startspace': re.compile(r'(?m)^ (.*?)$'),
'table': re.compile(r'(?ims)^{\|.*?^\|}|<table>.*?</table>'),
'hyperlink': compileLinkR(),
'gallery': re.compile(r'(?is)<gallery.*?>.*?</gallery>'),
'link': re.compile(r'\[\[[^\]\|]*(\|[^\]]*)?\]\]'),
'file': re.compile(ur'(\[\[پرونده\:[^\]\|]*(\|[^\]]*)?\]\])'),
'interwiki': re.compile(r'(?i)\[\[:?(%s)\s?:[^\]]*\]\][\s]*'
% '|'.join(site.validLanguageLinks() +
site.family.obsolete.keys())),
'property': re.compile(r'(?i)\{\{\s*#property:\s*p\d+\s*\}\}'),
'invoke': re.compile(r'(?i)\{\{\s*#invoke:.*?}\}'),
}
if isinstance(old, basestring):
old = re.compile(old)
dontTouchRegexes = []
except_templates = False
for exc in exceptions:
if isinstance(exc, basestring):
if exc in exceptionRegexes:
dontTouchRegexes.append(exceptionRegexes[exc])
elif exc == 'template':
except_templates = True
else:
dontTouchRegexes.append(re.compile(r'(?is)<%s>.*?</%s>'
% (exc, exc)))
if exc == 'source':
dontTouchRegexes.append(re.compile(
r'(?is)<syntaxhighlight .*?</syntaxhighlight>'))
else:
dontTouchRegexes.append(exc)
if except_templates:
marker1 = findmarker(text)
marker2 = findmarker(text, u'##', u'#')
Rvalue = re.compile('{{{.+?}}}')
Rmarker1 = re.compile('%(mark)s(\d+)%(mark)s' % {'mark': marker1})
Rmarker2 = re.compile('%(mark)s(\d+)%(mark)s' % {'mark': marker2})
dontTouchRegexes.append(Rmarker1)
origin = text
values = {}
count = 0
for m in Rvalue.finditer(text):
count += 1
while u'}}}%d{{{' % count in origin:
count += 1
item = m.group()
text = text.replace(item, '%s%d%s' % (marker2, count, marker2))
values[count] = item
inside = {}
seen = set()
count = 0
while TEMP_REGEX.search(text) is not None:
for m in TEMP_REGEX.finditer(text):
item = m.group()
if item in seen:
continue
seen.add(item)
count += 1
while u'}}%d{{' % count in origin:
count += 1
text = text.replace(item, '%s%d%s' % (marker1, count, marker1))
for m2 in Rmarker1.finditer(item):
item = item.replace(m2.group(), inside[int(m2.group(1))])
for m2 in Rmarker2.finditer(item):
item = item.replace(m2.group(), values[int(m2.group(1))])
inside[count] = item
index = 0
markerpos = len(text)
while True:
match = old.search(text, index)
if not match:
break
nextExceptionMatch = None
for dontTouchR in dontTouchRegexes:
excMatch = dontTouchR.search(text, index)
if excMatch and (
nextExceptionMatch is None or
excMatch.start() < nextExceptionMatch.start()):
nextExceptionMatch = excMatch
if nextExceptionMatch is not None \
and nextExceptionMatch.start() <= match.start():
index = nextExceptionMatch.end()
else:
if callable(new):
replacement = new(match)
else:
new = new.replace('\\n', '\n')
replacement = new
groupR = re.compile(r'\\(?P<number>\d+)|\\g<(?P<name>.+?)>')
while True:
groupMatch = groupR.search(replacement)
if not groupMatch:
break
groupID = groupMatch.group('name') or \
int(groupMatch.group('number'))
try:
replacement = replacement[:groupMatch.start()] + \
match.group(groupID) + \
replacement[groupMatch.end():]
except IndexError:
print '\nInvalid group reference:', groupID
print 'Groups found:\n', match.groups()
raise IndexError
text = text[:match.start()] + replacement + text[match.end():]
break
index = match.start() + len(replacement)
markerpos = match.start() + len(replacement)
text = text[:markerpos] + marker + text[markerpos:]
if except_templates:
for m2 in Rmarker1.finditer(text):
text = text.replace(m2.group(), inside[int(m2.group(1))])
for m2 in Rmarker2.finditer(text):
text = text.replace(m2.group(), values[int(m2.group(1))])
return text
def compileLinkR(withoutBracketed=False, onlyBracketed=False):
"""Return a regex that matches external links."""