Netz - Rettung - Recht

Nicht, daß diese Suche erfolgreicher gewesen wäre. :-/

Am Ende bleibe ich bei html2text hängen: das macht seine Sache gut und ist recht weit konfigurierbar. Nur bringt mich da dann der Zeilenumbruch schier zur Verzweiflung: Zum einen werden selbst in <pre>-Bereichen zu lange Zeilen umgebrochen. Das ist aber Gift für die Header-FAQ, in der ich überlange Headerzeilen verarbeiten muß, die - für den Zweck des Usenet-Postings - bereits mit "|" und ">" am Anfang gequotet sind. Zum anderen trennt das doofe Ding bei allen nicht alphanumerischen Zeichen; ein Zeilenumbruch nach "-" oder gar nach "/" - in einer URL zum Beispiel - ist aber nicht brauchbar.

Verzweifeln hilft aber nichts, also reaktiviere ich meine rudimentären Perl-Kenntnisse und bearbeite das einfach noch einmal nach:

#!/usr/bin/perl
# wrap.pl < input.txt > output.txt
# (c) -thh 01/2005

use Text::Wrap qw(&amp;wrap $columns);
$columns = 70;

while ( <> ) {
 chomp;
 # Zeile endet auf - oder /?
 # dann Zeile schreiben und alles bis zur nächsten Leerzeile (=Absatz)
 # einlesen, zusammenkleben, Zeilenumbrüche durch Leerzeichen ersetzen
 # und durch Text::Wrap schieben
 if (/[-\/]$/ and !/^[|>:]/) {
  ($zeile, $rest) = /(.+\s)(\S+)$/;
  print "$zeile\n";
  JOINLOOP: while ( <> ) {
   $rest .= $_;
   last JOINLOOP if (/^$/);
  }
  $rest =~ s/\n/ /g;
  $_ = wrap('', '', $rest)."\n";
 };
print $_;
 # Zeile beginnt mit |, > oder :?
 # dann solange Folgezeilen, die nicht mit einem dieser Zeichen beginnen,
 # an das Ende der vorigen Zeile ankleben, bis eine Leerzeile folgt und
 # den gequoteten Bereich beendet
 if (/^[|>:]/) {
  QUOTELOOP: while ( <> ) {
   chomp;
   if (/^$/) {
    print "\n";
    last QUOTELOOP;
   } elsif (/^[|>:]/) {
    print "\n$_";
   } else {
    print $_;
   }
  };
 };
 print "\n";
};

Noch ein kleines Shellscript, und dann wird alles gut:

wget http://th-h.de/faq/$1 -O output.html
html2text -nobs -width 70 -rcfile html2text.rc output.html > output.txt
./wrap.pl < output.txt > wrapped.txt