home *** CD-ROM | disk | FTP | other *** search
/ PCGUIA 127 / PC Guia 127.iso / Software / Produtividade / OpenOffice.org 2.0.1 / openofficeorg4.cab / Charset.py < prev    next >
Text File  |  2005-11-19  |  16KB  |  394 lines
  1. # Copyright (C) 2001,2002 Python Software Foundation
  2. # Author: che@debian.org (Ben Gertzfield), barry@zope.com (Barry Warsaw)
  3.  
  4. from types import UnicodeType
  5. from email.Encoders import encode_7or8bit
  6. import email.base64MIME
  7. import email.quopriMIME
  8.  
  9. def _isunicode(s):
  10.     return isinstance(s, UnicodeType)
  11.  
  12. # Python 2.2.1 and beyond has these symbols
  13. try:
  14.     True, False
  15. except NameError:
  16.     True = 1
  17.     False = 0
  18.  
  19.  
  20.  
  21. # Flags for types of header encodings
  22. QP     = 1   # Quoted-Printable
  23. BASE64 = 2   # Base64
  24. SHORTEST = 3 # the shorter of QP and base64, but only for headers
  25.  
  26. # In "=?charset?q?hello_world?=", the =?, ?q?, and ?= add up to 7
  27. MISC_LEN = 7
  28.  
  29. DEFAULT_CHARSET = 'us-ascii'
  30.  
  31.  
  32.  
  33. # Defaults
  34. CHARSETS = {
  35.     # input        header enc  body enc output conv
  36.     'iso-8859-1':  (QP,        QP,      None),
  37.     'iso-8859-2':  (QP,        QP,      None),
  38.     'iso-8859-3':  (QP,        QP,      None),
  39.     'iso-8859-4':  (QP,        QP,      None),
  40.     # iso-8859-5 is Cyrillic, and not especially used
  41.     # iso-8859-6 is Arabic, also not particularly used
  42.     # iso-8859-7 is Greek, QP will not make it readable
  43.     # iso-8859-8 is Hebrew, QP will not make it readable
  44.     'iso-8859-9':  (QP,        QP,      None),
  45.     'iso-8859-10': (QP,        QP,      None),
  46.     # iso-8859-11 is Thai, QP will not make it readable
  47.     'iso-8859-13': (QP,        QP,      None),
  48.     'iso-8859-14': (QP,        QP,      None),
  49.     'iso-8859-15': (QP,        QP,      None),
  50.     'windows-1252':(QP,        QP,      None),
  51.     'viscii':      (QP,        QP,      None),
  52.     'us-ascii':    (None,      None,    None),
  53.     'big5':        (BASE64,    BASE64,  None),
  54.     'gb2312':      (BASE64,    BASE64,  None),
  55.     'euc-jp':      (BASE64,    None,    'iso-2022-jp'),
  56.     'shift_jis':   (BASE64,    None,    'iso-2022-jp'),
  57.     'iso-2022-jp': (BASE64,    None,    None),
  58.     'koi8-r':      (BASE64,    BASE64,  None),
  59.     'utf-8':       (SHORTEST,  BASE64, 'utf-8'),
  60.     # We're making this one up to represent raw unencoded 8-bit
  61.     '8bit':        (None,      BASE64, 'utf-8'),
  62.     }
  63.  
  64. # Aliases for other commonly-used names for character sets.  Map
  65. # them to the real ones used in email.
  66. ALIASES = {
  67.     'latin_1': 'iso-8859-1',
  68.     'latin-1': 'iso-8859-1',
  69.     'latin_2': 'iso-8859-2',
  70.     'latin-2': 'iso-8859-2',
  71.     'latin_3': 'iso-8859-3',
  72.     'latin-3': 'iso-8859-3',
  73.     'latin_4': 'iso-8859-4',
  74.     'latin-4': 'iso-8859-4',
  75.     'latin_5': 'iso-8859-9',
  76.     'latin-5': 'iso-8859-9',
  77.     'latin_6': 'iso-8859-10',
  78.     'latin-6': 'iso-8859-10',
  79.     'latin_7': 'iso-8859-13',
  80.     'latin-7': 'iso-8859-13',
  81.     'latin_8': 'iso-8859-14',
  82.     'latin-8': 'iso-8859-14',
  83.     'latin_9': 'iso-8859-15',
  84.     'latin-9': 'iso-8859-15',
  85.     'cp949':   'ks_c_5601-1987',
  86.     'euc_jp':  'euc-jp',
  87.     'euc_kr':  'euc-kr',
  88.     'ascii':   'us-ascii',
  89.     }
  90.  
  91. # Map charsets to their Unicode codec strings.  Note that Python doesn't come
  92. # with any Asian codecs by default.  Here's where to get them:
  93. #
  94. # Japanese -- http://www.asahi-net.or.jp/~rd6t-kjym/python
  95. # Korean   -- http://sf.net/projects/koco
  96. # Chinese  -- http://sf.net/projects/python-codecs
  97. #
  98. # Note that these codecs have their own lifecycle and may be in varying states
  99. # of stability and useability.
  100.  
  101. CODEC_MAP = {
  102.     'euc-jp':      'japanese.euc-jp',
  103.     'iso-2022-jp': 'japanese.iso-2022-jp',
  104.     'shift_jis':   'japanese.shift_jis',
  105.     'euc-kr':      'korean.euc-kr',
  106.     'ks_c_5601-1987': 'korean.cp949',
  107.     'iso-2022-kr': 'korean.iso-2022-kr',
  108.     'johab':       'korean.johab',
  109.     'gb2132':      'eucgb2312_cn',
  110.     'big5':        'big5_tw',
  111.     'utf-8':       'utf-8',
  112.     # Hack: We don't want *any* conversion for stuff marked us-ascii, as all
  113.     # sorts of garbage might be sent to us in the guise of 7-bit us-ascii.
  114.     # Let that stuff pass through without conversion to/from Unicode.
  115.     'us-ascii':    None,
  116.     }
  117.  
  118.  
  119.  
  120. # Convenience functions for extending the above mappings
  121. def add_charset(charset, header_enc=None, body_enc=None, output_charset=None):
  122.     """Add character set properties to the global registry.
  123.  
  124.     charset is the input character set, and must be the canonical name of a
  125.     character set.
  126.  
  127.     Optional header_enc and body_enc is either Charset.QP for
  128.     quoted-printable, Charset.BASE64 for base64 encoding, Charset.SHORTEST for
  129.     the shortest of qp or base64 encoding, or None for no encoding.  SHORTEST
  130.     is only valid for header_enc.  It describes how message headers and
  131.     message bodies in the input charset are to be encoded.  Default is no
  132.     encoding.
  133.  
  134.     Optional output_charset is the character set that the output should be
  135.     in.  Conversions will proceed from input charset, to Unicode, to the
  136.     output charset when the method Charset.convert() is called.  The default
  137.     is to output in the same character set as the input.
  138.  
  139.     Both input_charset and output_charset must have Unicode codec entries in
  140.     the module's charset-to-codec mapping; use add_codec(charset, codecname)
  141.     to add codecs the module does not know about.  See the codecs module's
  142.     documentation for more information.
  143.     """
  144.     if body_enc == SHORTEST:
  145.         raise ValueError, 'SHORTEST not allowed for body_enc'
  146.     CHARSETS[charset] = (header_enc, body_enc, output_charset)
  147.  
  148.  
  149. def add_alias(alias, canonical):
  150.     """Add a character set alias.
  151.  
  152.     alias is the alias name, e.g. latin-1
  153.     canonical is the character set's canonical name, e.g. iso-8859-1
  154.     """
  155.     ALIASES[alias] = canonical
  156.  
  157.  
  158. def add_codec(charset, codecname):
  159.     """Add a codec that map characters in the given charset to/from Unicode.
  160.  
  161.     charset is the canonical name of a character set.  codecname is the name
  162.     of a Python codec, as appropriate for the second argument to the unicode()
  163.     built-in, or to the encode() method of a Unicode string.
  164.     """
  165.     CODEC_MAP[charset] = codecname
  166.  
  167.  
  168.  
  169. class Charset:
  170.     """Map character sets to their email properties.
  171.  
  172.     This class provides information about the requirements imposed on email
  173.     for a specific character set.  It also provides convenience routines for
  174.     converting between character sets, given the availability of the
  175.     applicable codecs.  Given a character set, it will do its best to provide
  176.     information on how to use that character set in an email in an
  177.     RFC-compliant way.
  178.  
  179.     Certain character sets must be encoded with quoted-printable or base64
  180.     when used in email headers or bodies.  Certain character sets must be
  181.     converted outright, and are not allowed in email.  Instances of this
  182.     module expose the following information about a character set:
  183.  
  184.     input_charset: The initial character set specified.  Common aliases
  185.                    are converted to their `official' email names (e.g. latin_1
  186.                    is converted to iso-8859-1).  Defaults to 7-bit us-ascii.
  187.  
  188.     header_encoding: If the character set must be encoded before it can be
  189.                      used in an email header, this attribute will be set to
  190.                      Charset.QP (for quoted-printable), Charset.BASE64 (for
  191.                      base64 encoding), or Charset.SHORTEST for the shortest of
  192.                      QP or BASE64 encoding.  Otherwise, it will be None.
  193.  
  194.     body_encoding: Same as header_encoding, but describes the encoding for the
  195.                    mail message's body, which indeed may be different than the
  196.                    header encoding.  Charset.SHORTEST is not allowed for
  197.                    body_encoding.
  198.  
  199.     output_charset: Some character sets must be converted before the can be
  200.                     used in email headers or bodies.  If the input_charset is
  201.                     one of them, this attribute will contain the name of the
  202.                     charset output will be converted to.  Otherwise, it will
  203.                     be None.
  204.  
  205.     input_codec: The name of the Python codec used to convert the
  206.                  input_charset to Unicode.  If no conversion codec is
  207.                  necessary, this attribute will be None.
  208.  
  209.     output_codec: The name of the Python codec used to convert Unicode
  210.                   to the output_charset.  If no conversion codec is necessary,
  211.                   this attribute will have the same value as the input_codec.
  212.     """
  213.     def __init__(self, input_charset=DEFAULT_CHARSET):
  214.         # RFC 2046, $4.1.2 says charsets are not case sensitive
  215.         input_charset = input_charset.lower()
  216.         # Set the input charset after filtering through the aliases
  217.         self.input_charset = ALIASES.get(input_charset, input_charset)
  218.         # We can try to guess which encoding and conversion to use by the
  219.         # charset_map dictionary.  Try that first, but let the user override
  220.         # it.
  221.         henc, benc, conv = CHARSETS.get(self.input_charset,
  222.                                         (SHORTEST, BASE64, None))
  223.         # Set the attributes, allowing the arguments to override the default.
  224.         self.header_encoding = henc
  225.         self.body_encoding = benc
  226.         self.output_charset = ALIASES.get(conv, conv)
  227.         # Now set the codecs.  If one isn't defined for input_charset,
  228.         # guess and try a Unicode codec with the same name as input_codec.
  229.         self.input_codec = CODEC_MAP.get(self.input_charset,
  230.                                          self.input_charset)
  231.         self.output_codec = CODEC_MAP.get(self.output_charset,
  232.                                             self.input_codec)
  233.  
  234.     def __str__(self):
  235.         return self.input_charset.lower()
  236.  
  237.     __repr__ = __str__
  238.  
  239.     def __eq__(self, other):
  240.         return str(self) == str(other).lower()
  241.  
  242.     def __ne__(self, other):
  243.         return not self.__eq__(other)
  244.  
  245.     def get_body_encoding(self):
  246.         """Return the content-transfer-encoding used for body encoding.
  247.  
  248.         This is either the string `quoted-printable' or `base64' depending on
  249.         the encoding used, or it is a function in which case you should call
  250.         the function with a single argument, the Message object being
  251.         encoded.  The function should then set the Content-Transfer-Encoding
  252.         header itself to whatever is appropriate.
  253.  
  254.         Returns "quoted-printable" if self.body_encoding is QP.
  255.         Returns "base64" if self.body_encoding is BASE64.
  256.         Returns "7bit" otherwise.
  257.         """
  258.         assert self.body_encoding <> SHORTEST
  259.         if self.body_encoding == QP:
  260.             return 'quoted-printable'
  261.         elif self.body_encoding == BASE64:
  262.             return 'base64'
  263.         else:
  264.             return encode_7or8bit
  265.  
  266.     def convert(self, s):
  267.         """Convert a string from the input_codec to the output_codec."""
  268.         if self.input_codec <> self.output_codec:
  269.             return unicode(s, self.input_codec).encode(self.output_codec)
  270.         else:
  271.             return s
  272.  
  273.     def to_splittable(self, s):
  274.         """Convert a possibly multibyte string to a safely splittable format.
  275.  
  276.         Uses the input_codec to try and convert the string to Unicode, so it
  277.         can be safely split on character boundaries (even for multibyte
  278.         characters).
  279.  
  280.         Returns the string as-is if it isn't known how to convert it to
  281.         Unicode with the input_charset.
  282.  
  283.         Characters that could not be converted to Unicode will be replaced
  284.         with the Unicode replacement character U+FFFD.
  285.         """
  286.         if _isunicode(s) or self.input_codec is None:
  287.             return s
  288.         try:
  289.             return unicode(s, self.input_codec, 'replace')
  290.         except LookupError:
  291.             # Input codec not installed on system, so return the original
  292.             # string unchanged.
  293.             return s
  294.  
  295.     def from_splittable(self, ustr, to_output=True):
  296.         """Convert a splittable string back into an encoded string.
  297.  
  298.         Uses the proper codec to try and convert the string from Unicode back
  299.         into an encoded format.  Return the string as-is if it is not Unicode,
  300.         or if it could not be converted from Unicode.
  301.  
  302.         Characters that could not be converted from Unicode will be replaced
  303.         with an appropriate character (usually '?').
  304.  
  305.         If to_output is True (the default), uses output_codec to convert to an
  306.         encoded format.  If to_output is False, uses input_codec.
  307.         """
  308.         if to_output:
  309.             codec = self.output_codec
  310.         else:
  311.             codec = self.input_codec
  312.         if not _isunicode(ustr) or codec is None:
  313.             return ustr
  314.         try:
  315.             return ustr.encode(codec, 'replace')
  316.         except LookupError:
  317.             # Output codec not installed
  318.             return ustr
  319.  
  320.     def get_output_charset(self):
  321.         """Return the output character set.
  322.  
  323.         This is self.output_charset if that is not None, otherwise it is
  324.         self.input_charset.
  325.         """
  326.         return self.output_charset or self.input_charset
  327.  
  328.     def encoded_header_len(self, s):
  329.         """Return the length of the encoded header string."""
  330.         cset = self.get_output_charset()
  331.         # The len(s) of a 7bit encoding is len(s)
  332.         if self.header_encoding == BASE64:
  333.             return email.base64MIME.base64_len(s) + len(cset) + MISC_LEN
  334.         elif self.header_encoding == QP:
  335.             return email.quopriMIME.header_quopri_len(s) + len(cset) + MISC_LEN
  336.         elif self.header_encoding == SHORTEST:
  337.             lenb64 = email.base64MIME.base64_len(s)
  338.             lenqp = email.quopriMIME.header_quopri_len(s)
  339.             return min(lenb64, lenqp) + len(cset) + MISC_LEN
  340.         else:
  341.             return len(s)
  342.  
  343.     def header_encode(self, s, convert=False):
  344.         """Header-encode a string, optionally converting it to output_charset.
  345.  
  346.         If convert is True, the string will be converted from the input
  347.         charset to the output charset automatically.  This is not useful for
  348.         multibyte character sets, which have line length issues (multibyte
  349.         characters must be split on a character, not a byte boundary); use the
  350.         high-level Header class to deal with these issues.  convert defaults
  351.         to False.
  352.  
  353.         The type of encoding (base64 or quoted-printable) will be based on
  354.         self.header_encoding.
  355.         """
  356.         cset = self.get_output_charset()
  357.         if convert:
  358.             s = self.convert(s)
  359.         # 7bit/8bit encodings return the string unchanged (modulo conversions)
  360.         if self.header_encoding == BASE64:
  361.             return email.base64MIME.header_encode(s, cset)
  362.         elif self.header_encoding == QP:
  363.             return email.quopriMIME.header_encode(s, cset, maxlinelen=None)
  364.         elif self.header_encoding == SHORTEST:
  365.             lenb64 = email.base64MIME.base64_len(s)
  366.             lenqp = email.quopriMIME.header_quopri_len(s)
  367.             if lenb64 < lenqp:
  368.                 return email.base64MIME.header_encode(s, cset)
  369.             else:
  370.                 return email.quopriMIME.header_encode(s, cset, maxlinelen=None)
  371.         else:
  372.             return s
  373.  
  374.     def body_encode(self, s, convert=True):
  375.         """Body-encode a string and convert it to output_charset.
  376.  
  377.         If convert is True (the default), the string will be converted from
  378.         the input charset to output charset automatically.  Unlike
  379.         header_encode(), there are no issues with byte boundaries and
  380.         multibyte charsets in email bodies, so this is usually pretty safe.
  381.  
  382.         The type of encoding (base64 or quoted-printable) will be based on
  383.         self.body_encoding.
  384.         """
  385.         if convert:
  386.             s = self.convert(s)
  387.         # 7bit/8bit encodings return the string unchanged (module conversions)
  388.         if self.body_encoding is BASE64:
  389.             return email.base64MIME.body_encode(s)
  390.         elif self.body_encoding is QP:
  391.             return email.quopriMIME.body_encode(s)
  392.         else:
  393.             return s
  394.