読点自動化ツールにPOSTしたい (🍊)

タイトルの🍊は未完を意味しています．未完とは言えちゃんと動くけどね．改善したバージョンの記事も書いてるので併せてどうぞ．

ひとまず2通りの方法を試しました．1つめは実験で，2つ目は本番って感じかな？ちなみに使ったサービスは読点「、」挿入システムというやつです．京都の龍谷大学という大学のドメインにホストされてるね．

1) ローカル端末で `curl` する

このコマンドで上手くいった．

curl -XPOST \
 -d 'input_sentence=%A4%BD%A4%A6%A4%C0%A4%EF%A4%EC%A4%EF%A4%EC%A4%CB%A4%CF%A4%C7%A4%AD%A4%EB&amp;enter=%CD%BD%C2%AC' \
 http://pumpkin.i.ryukoku.ac.jp/cgi-bin/dokuten_insert/di.cgi \
 | nkf -w

…え？何言ってるか分からん？僕もそう思います．ちょっと簡単に図解してみた．

curl コマンドに -XPOST オプションを付けて実行してる．このときデータは -d で渡すことになる
今回は2つのデータをEUC-JPでURLエンコードして & で連結して渡してる
- 1つ目は input_sentence=*** というもの．読点を入れるべき文章
- 2つめは enter=*** というもの．「予測」という文字列をEUC-JPでURLエンコードしたもの (定数)
エンドポイントは http://pumpkin.i.ryukoku.ac.jp/cgi-bin/dokuten_insert/di.cgi
レスポンスの文字コードが EUC-JP なので， nkf -w で UTF-8 に変換

上のサンプルコードでは，下のようなEUC-JPでURLエンコード済みテキストをPOSTしてる．内容は「そうだわれわれにはできる」という文字列です．

%A4%BD%A4%A6%A4%C0%A4%EF%A4%EC%A4%EF%A4%EC%A4%CB%A4%CF%A4%C7%A4%AD%A4%EB

「予測」は定数．こうなる．

%CD%BD%C2%AC

これを実行すると，こんなのが返ってくる．

/**** 前略 ****/

<p&gt;
「、」の位置をシステムが推定した結果です。入力文と変換文を比べてください。どうでしょうか？
</p&gt;

<h3&gt;入力文</h3&gt;
<div style="border: 1mm gray solid; padding:5mm;"&gt;
そうだわれわれにはできる
</div&gt;

<h3&gt;変換文</h3&gt;
<div style="border: 1mm gray solid; padding:5mm;"&gt;
そうだ<font size="5", color="red", style="border: 1mm red solid;"&gt;、</font&gt;われわれにはできる
</div&gt;

/**** 後略 ****/

上手く読点を挿入することができました！この返り値を整形するとこういう出力になる．もっと凝った整形もしたいけど，今回はこんな感じで．

sed -e 's/<[^>]*>//g' でタグを削除
行頭に「変換文」が来る行 (上の例だと12行目) 以降を sed -n '/^変換文/,$p' で抽出

変換文

そうだ、われわれにはできる

2) Google App Script からPOSTする

こんなコードでやってみた．関数の名前がイケてないけど，実装途中ということで許してください…

function sendHttpPost(text){
    
    // Endpoint
    var url = 'http://pumpkin.i.ryukoku.ac.jp/cgi-bin/dokuten_insert/di.cgi';
    
    
    // payload を作成
    text = EscapeEUCJP(text);
    var enter = EscapeEUCJP('予測')
    
    var payload = '';
    payload += 'input_sentence=' + text;
    payload += '&amp;';
    payload += 'enter=' + enter;
    
    
    // options を作る
    var options =
    {
        'method' : 'post',
        'payload' : payload
    };
    

    // レスポンスの後半だけ残して，タグを取り除いて，1-2行目を消す
    var res = UrlFetchApp.fetch(url, options).getContentText('EUC-JP');

    res = res.split('<h3&gt;')[2];
    res = res.replace(/<("[^"]*"|'[^']*'|[^'"&gt;])*&gt;/g,''); 
    res = res.replace(/^変換文\n\n/,'');

    return res;

}

Javascript では EUC-JP エンコードができないので，ecl.js というライブラリを使ってる．具体的には EscapeEUCJP() この関数ね．初心者 (僕を含む) のために説明すると，GASでこれを使うには次の2つの作業をすればOK！

ここからJSコードを全部コピー
新しいスクリプトファイルにペースト

最後のテキスト整形を除いた状態で，例えば Logger.log(sendHttpPost('そうだわれわれにはできる')); とかを実行すると，さっきも上に載せたようなHTMLのテキストデータが出力されます．これを見ると，テキスト整形パートの res = res.split('<h3>')[2]; の意味も分かるでしょ．