uhtml: add html to unicode converter, used by mothra and page/html2ms

1 files changed, 10 insertions, 83 deletions

diff --git a/sys/src/cmd/html2ms.c b/sys/src/cmd/html2ms.c
index 229836216..fd175d72f 100644
--- a/sys/src/cmd/html2ms.c
+++ b/sys/src/cmd/html2ms.c
@@ -296,79 +296,6 @@ parsetag(Tag *t)
 	return n > 0;
 }
 
-struct {
-	char	*entity;
-	Rune	rune;
-} entities[] = {
-	"AElig", 198,	"Aacute", 193,	"Acirc", 194,	"Agrave", 192,	
-	"Alpha", 913,	"Aring", 197,	"Atilde", 195,	"Auml", 196,	
-	"Beta", 914,	"Ccedil", 199,	"Chi", 935,	"Dagger", 8225,	
-	"Delta", 916,	"ETH", 208,	"Eacute", 201,	"Ecirc", 202,	
-	"Egrave", 200,	"Epsilon", 917,	"Eta", 919,	"Euml", 203,	
-	"Gamma", 915,	"Iacute", 205,	"Icirc", 206,	"Igrave", 204,	
-	"Iota", 921,	"Iuml", 207,	"Kappa", 922,	"Lambda", 923,	
-	"Mu", 924,	"Ntilde", 209,	"Nu", 925,	"OElig", 338,	
-	"Oacute", 211,	"Ocirc", 212,	"Ograve", 210,	"Omega", 937,	
-	"Omicron", 927,	"Oslash", 216,	"Otilde", 213,	"Ouml", 214,	
-	"Phi", 934,	"Pi", 928,	"Prime", 8243,	"Psi", 936,	
-	"Rho", 929,	"Scaron", 352,	"Sigma", 931,	"THORN", 222,	
-	"Tau", 932,	"Theta", 920,	"Uacute", 218,	"Ucirc", 219,	
-	"Ugrave", 217,	"Upsilon", 933,	"Uuml", 220,	"Xi", 926,	
-	"Yacute", 221,	"Yuml", 376,	"Zeta", 918,	"aacute", 225,	
-	"acirc", 226,	"acute", 180,	"aelig", 230,	"agrave", 224,	
-	"alefsym", 8501,"alpha", 945,	"amp", 38,	"and", 8743,	
-	"ang", 8736,	"aring", 229,	"asymp", 8776,	"atilde", 227,	
-	"auml", 228,	"bdquo", 8222,	"beta", 946,	"brvbar", 166,	
-	"bull", 8226,	"cap", 8745,	"ccedil", 231,	"cdots", 8943,	
-	"cedil", 184,	"cent", 162,	"chi", 967,	"circ", 710,	
-	"clubs", 9827,	"cong", 8773,	"copy", 169,	"crarr", 8629,	
-	"cup", 8746,	"curren", 164,	"dArr", 8659,	"dagger", 8224,	
-	"darr", 8595,	"ddots", 8945,	"deg", 176,	"delta", 948,	
-	"diams", 9830,	"divide", 247,	"eacute", 233,	"ecirc", 234,	
-	"egrave", 232,	"emdash", 8212,	"empty", 8709,	"emsp", 8195,	
-	"endash", 8211,	"ensp", 8194,	"epsilon", 949,	"equiv", 8801,	
-	"eta", 951,	"eth", 240,	"euml", 235,	"euro", 8364,	
-	"exist", 8707,	"fnof", 402,	"forall", 8704,	"frac12", 189,	
-	"frac14", 188,	"frac34", 190,	"frasl", 8260,	"gamma", 947,	
-	"ge", 8805,	"gt", 62,	"hArr", 8660,	"harr", 8596,	
-	"hearts", 9829,	"hellip", 8230,	"iacute", 237,	"icirc", 238,	
-	"iexcl", 161,	"igrave", 236,	"image", 8465,	"infin", 8734,	
-	"int", 8747,	"iota", 953,	"iquest", 191,	"isin", 8712,	
-	"iuml", 239,	"kappa", 954,	"lArr", 8656,	"lambda", 955,	
-	"lang", 9001,	"laquo", 171,	"larr", 8592,	"lceil", 8968,	
-	"ldots", 8230,	"ldquo", 8220,	"le", 8804,	"lfloor", 8970,	
-	"lowast", 8727,	"loz", 9674,	"lrm", 8206,	"lsaquo", 8249,	
-	"lsquo", 8216,	"lt", 60,	"macr", 175,	"mdash", 8212,	
-	"micro", 181,	"middot", 183,	"minus", 8722,	"mu", 956,	
-	"nabla", 8711,	"nbsp", 160,	"ndash", 8211,	"ne", 8800,	
-	"ni", 8715,	"not", 172,	"notin", 8713,	"nsub", 8836,	
-	"ntilde", 241,	"nu", 957,	"oacute", 243,	"ocirc", 244,	
-	"oelig", 339,	"ograve", 242,	"oline", 8254,	"omega", 969,	
-	"omicron", 959,	"oplus", 8853,	"or", 8744,	"ordf", 170,	
-	"ordm", 186,	"oslash", 248,	"otilde", 245,	"otimes", 8855,	
-	"ouml", 246,	"para", 182,	"part", 8706,	"permil", 8240,	
-	"perp", 8869,	"phi", 966,	"pi", 960,	"piv", 982,	
-	"plusmn", 177,	"pound", 163,	"prime", 8242,	"prod", 8719,	
-	"prop", 8733,	"psi", 968,	"quad", 8193,	"quot", 34,	
-	"rArr", 8658,	"radic", 8730,	"rang", 9002,	"raquo", 187,	
-	"rarr", 8594,	"rceil", 8969,	"rdquo", 8221,	"real", 8476,	
-	"reg", 174,	"rfloor", 8971,	"rho", 961,	"rlm", 8207,	
-	"rsaquo", 8250,	"rsquo", 8217,	"sbquo", 8218,	"scaron", 353,	
-	"sdot", 8901,	"sect", 167,	"shy", 173,	"sigma", 963,	
-	"sigmaf", 962,	"sim", 8764,	"sp", 8194,	"spades", 9824,	
-	"sub", 8834,	"sube", 8838,	"sum", 8721,	"sup", 8835,	
-	"sup1", 185,	"sup2", 178,	"sup3", 179,	"supe", 8839,	
-	"szlig", 223,	"tau", 964,	"there4", 8756,	"theta", 952,	
-	"thetasym", 977,"thinsp", 8201,	"thorn", 254,	"tilde", 732,	
-	"times", 215,	"trade", 8482,	"uArr", 8657,	"uacute", 250,	
-	"uarr", 8593,	"ucirc", 251,	"ugrave", 249,	"uml", 168,	
-	"upsih", 978,	"upsilon", 965,	"uuml", 252,	"varepsilon", 8712,	
-	"varphi", 981,	"varpi", 982,	"varrho", 1009,	"vdots", 8942,	
-	"vsigma", 962,	"vtheta", 977,	"weierp", 8472,	"xi", 958,	
-	"yacute", 253,	"yen", 165,	"yuml", 255,	"zeta", 950,	
-	"zwj", 8205,	"zwnj", 8204,
-};
-
 Rune
 parserune(int c)
 {
@@ -379,7 +306,7 @@ parserune(int c)
 	n = 0;
 	if(c == '&'){
 		while((c = Bgetc(&in)) > 0){
-			if(strchr("\n\r\t ;</>", c)){
+			if(strchr(";&</>\n\r\t ", c)){
 				if(c != ';')
 					Bungetc(&in);
 				if(n == 0)
@@ -391,15 +318,15 @@ parserune(int c)
 			buf[n++] = c;
 		}
 		buf[n] = 0;
-		if(buf[0] == '#')
-			return atoi(buf+1);
-		for(i=0; i<nelem(entities); i++){
-			n = strcmp(buf, entities[i].entity);
-			if(n == 0)
-				return entities[i].rune;
-			if(n < 0)
-				break;
-		}
+		if(strcmp(buf, "lt") == 0)
+			return '<';
+		if(strcmp(buf, "gt") == 0)
+			return '>';
+		if(strcmp(buf, "quot") == 0)
+			return '"';
+		if(strcmp(buf, "amp") == 0)
+			return '&';
+		/* use tcs -f html to handle the rest. */
 	} else {
 		do {
 			buf[n++] = c;