お勉強を兼ねてテキスト文書を自動置換してHTMLにValidな形式にするスクリプトを書いてみた…が、不満だった。

そもそもあれは私専用に書いたスクリプトだったから、謎のお約束が多すぎた。主要なHTMLの要素に対してはほぼ参照記号を用意されている仕様だった。

例えば「<p>は*、</p>は:」「<li>は\,</li>は|」といった具合に、すべてを置換に頼っていたスクリプトだった。（それがそもそもの仕様だといえばそれまでだが^^;）

今回書いている変換プログラムはできる限り「置換」を使わない見ようというコンセプトで書いている。特に簡素な文書であれば「置換記号」0個を目指したい。というよりも、リストなどの関係で「置換のためだけの記号」0個を目指すとなりそうだ。

現時点で問題になっているのは、スクリプト作成時にも問題になったものだが、変換前のプレーンテキストに明示記号を配置しなければ事実上判別不能なのが「リストの入れ子」だ。

それと、リストについては順序つきリストを

1.
2.
3.

といった文字列で判別するという形で試作中で
挙列リストについては

・
・
・

という文字列で判別するようにし、自然言語のままでも意図が通じる置換記号にしようと考えている。
処理系が纏まればこれらリストなどの判別記号を設定ファイルを外部から読み込んでユーザー定義の書式で要素を判別できるようにする。
小数点の値などを表記している場合を考慮し、"."や"・"という文字を発見した場合、前後の文字を読みに行きフラグを立てる処理を行う。…ってので今のところ進行中。テストの段階で仕様自体のバグが発見されないことを祈るばかりｗ

まあ、理想は兎も角、現時点で一番問題になっているのは定義リスト（DL）だ。UL,OLと異なり定義リストは自然言語で意味が通じるような固有の文字列が思い浮かばない。
DL内部のDT,DDについてはLIの応用が出来そうなので問題ないが、DL自身をどう定義しようか^^;

ああ、テーブルについては自然言語でタイプする方が困難なので後回しｗ
私の第一目標は、文字列で構成された文書をHTMLの要素記号でマークアップすることなので、複雑な（というか、私が使わないｗ）Tableとかは正直余力があればということになる。

[追記]
文書に対して、あるアルゴリズムだけで要素記号を補えるならばTimはHTMLの要素記号は定義しなかっただろうし、そもそもコンピュータが要素を認識できないから要素記号がある。

どこまで記号を使わないで文書の要素を判別できるか？
また、何処まで自然言語の文書のままで変換できるか？
記号を使うとすれば、何処まで簡略化できるか？

現在の仕様予定では、書式によってはダメダメだ。しかし、このプログラムは変換支援プログラムの予定だから、それでいいのかもしれない。

ああ、仕様がエラーな悪寒。
されどコードは増えてゆくｗ