mirror of
https://github.com/core-hn/pseudobsidian-ization.git
synced 2026-07-22 17:30:30 +00:00
b74f36e3cc
Les noms d'ancre ts_ dont le suffixe locuteur contient des caractères hors \w (ex. "//S01" quand une annotation de chevauchement est tapée juste avant une coupure de segment) étaient rejetés par TS_NAME_RE, faisant disparaître silencieusement tout le texte de l'ancre.
141 lines
6.3 KiB
TypeScript
141 lines
6.3 KiB
TypeScript
import { NoScribeHtmlParser } from '../../src/parsers/NoScribeHtmlParser';
|
|
|
|
const parser = new NoScribeHtmlParser();
|
|
|
|
// ---- Fixture ----------------------------------------------------------------
|
|
// Structure calquée sur une vraie sortie noScribe (Qt Rich Text HTML).
|
|
// Les timestamps sont en millisecondes depuis le début de l'audio.
|
|
|
|
const NOSCRIBE_HTML = `<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0//EN">
|
|
<html><head><meta name="qrichtext" content="1" />
|
|
<meta charset="UTF-8" />
|
|
<meta name="audio_source" content="/Corpus/entretien_01.m4a" />
|
|
</head><body>
|
|
<div class="WordSection1">
|
|
|
|
<p><span style="font-weight: 600">entretien_01</span></p>
|
|
|
|
<p><span style="font-size: 0.8em; color: #909090">Transcrit avec noScribe vers. 0.5<br />
|
|
(Détection des locuteurs : 2)</span></p>
|
|
|
|
<p><a name="ts_0_2130_" ><span style="color: #000000">(..) </span></a></p>
|
|
|
|
<p><a name="ts_2130_7730_S00" ><span style="color: #000000">Expérimentateur </span></a><a name="ts_2130_7730_S00" ><span style="color: #78909c">[00:00:02]</span></a><a name="ts_2130_7730_S00" ><span style="color: #000000">: Ok. D'abord, merci d'avoir accepté.</span></a><a name="ts_8330_9730_S00" ><span style="color: #000000"> On s'était déjà parlé.</span></a><a name="ts_9730_12230_S00" ><span style="color: #000000"> (..)</span></a></p>
|
|
|
|
<p><a name="ts_17900_18660_S01" ><span style="color: #000000">SC01 : Si je me présente ?</span></a></p>
|
|
|
|
<p><a name="ts_1668980_1673180_S00" ><span style="color: #000000">Expérimentateur : si jamais demain j'arrive à être en contact avec quelqu'un.</span></a></p>
|
|
|
|
</div>
|
|
</body></html>`;
|
|
|
|
// ---- Tests ------------------------------------------------------------------
|
|
|
|
describe('NoScribeHtmlParser — isNoScribeHtml', () => {
|
|
test('reconnaît un HTML noScribe', () => {
|
|
expect(NoScribeHtmlParser.isNoScribeHtml(NOSCRIBE_HTML)).toBe(true);
|
|
});
|
|
|
|
test('rejette un HTML ordinaire', () => {
|
|
expect(NoScribeHtmlParser.isNoScribeHtml('<html><body><p>Bonjour</p></body></html>')).toBe(false);
|
|
});
|
|
});
|
|
|
|
describe('NoScribeHtmlParser — parse', () => {
|
|
test('ignore les paragraphes sans ancre ts_', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML);
|
|
// Les 2 paragraphes d'en-tête (titre + métadonnées) ne doivent pas produire de cue
|
|
// Les cues sont : pause, tour S00, tour S01, tour S00 long = 4 cues
|
|
expect(doc.cues.length).toBe(4);
|
|
});
|
|
|
|
test('extrait la pause sans locuteur', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML);
|
|
const pause = doc.cues[0];
|
|
expect(pause.speaker).toBeUndefined();
|
|
expect(pause.text).toContain('..');
|
|
expect(pause.startTime).toBe('00:00:00.000');
|
|
expect(pause.endTime).toBe('00:00:02.130');
|
|
});
|
|
|
|
test('extrait le locuteur depuis "Nom : texte" multi-ancres', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML);
|
|
const turn = doc.cues[1];
|
|
expect(turn.speaker).toBe('Expérimentateur');
|
|
expect(turn.text).not.toContain('Expérimentateur');
|
|
expect(turn.text).toContain('Ok. D\'abord');
|
|
});
|
|
|
|
test('extrait le locuteur depuis "Nom : texte" mono-ancre', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML);
|
|
const turn = doc.cues[2];
|
|
expect(turn.speaker).toBe('SC01');
|
|
expect(turn.text).toContain('Si je me présente');
|
|
expect(turn.text).not.toContain('SC01');
|
|
});
|
|
|
|
test('convertit les timestamps en HH:MM:SS.mmm', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML);
|
|
const turn = doc.cues[1];
|
|
expect(turn.startTime).toBe('00:00:02.130');
|
|
expect(turn.endTime).toBe('00:00:12.230');
|
|
});
|
|
|
|
test('timestamp long (> 27 min) correctement converti', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML);
|
|
const turn = doc.cues[3];
|
|
// 1668980ms = 27min 48.980s
|
|
expect(turn.startTime).toBe('00:27:48.980');
|
|
expect(turn.endTime).toBe('00:27:53.180');
|
|
});
|
|
|
|
test('word timestamps produits pour chaque ancre distincte', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML);
|
|
const turn = doc.cues[1]; // Expérimentateur avec 3 ancres ts_ distinctes
|
|
expect(turn.words.length).toBeGreaterThanOrEqual(2);
|
|
expect(turn.words[0].time).toBe('00:00:02.130');
|
|
});
|
|
|
|
test('ignore les timestamps d\'affichage [HH:MM:SS]', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML);
|
|
const turn = doc.cues[1];
|
|
expect(turn.text).not.toMatch(/\[\d{2}:\d{2}:\d{2}\]/);
|
|
});
|
|
});
|
|
|
|
// ---- Régression : ancres avec suffixe de locuteur non standard --------------
|
|
// Quand l'utilisatrice tape une annotation de chevauchement ("//S01: ...") juste
|
|
// avant une coupure de segment noScribe, le nom d'ancre généré peut contenir ce
|
|
// texte dans le suffixe (ex. "ts_95480_96512_//S01" au lieu de "ts_95480_96512_S01").
|
|
// Avant le correctif, TS_NAME_RE (`\w*`) rejetait ces ancres et le texte entier
|
|
// du segment disparaissait silencieusement.
|
|
|
|
const NOSCRIBE_HTML_OVERLAP = `<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0//EN">
|
|
<html><head><meta name="qrichtext" content="1" />
|
|
<meta charset="UTF-8" />
|
|
<meta name="audio_source" content="/Corpus/entretien_02.m4a" />
|
|
</head><body>
|
|
<div class="WordSection1">
|
|
|
|
<p><a name="ts_90660_95140_S00" ><span style="color: #000000">Expérimentateur : qu'on m'a dit pendant très très longtemps qu'il fallait se brosser des dents.</span></a><a name="ts_95480_96512_//S01" ><span style="color: #000000"> Bon, maintenant, je le fais." //S01:</span></a><a name="ts_96512_105792_//S03" ><span style="color: #000000"> C'était par flemme la vérité mais si je me brossais les dents.</span></a><a name="ts_105792_107904_S00" ><span style="color: #000000">// Ça a été, vous y arrivez de mieux en mieux, quand même.</span></a></p>
|
|
|
|
</div>
|
|
</body></html>`;
|
|
|
|
describe('NoScribeHtmlParser — ancres avec suffixe non standard (chevauchements)', () => {
|
|
test('ne perd pas le texte des ancres dont le suffixe contient des caractères hors \\w', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML_OVERLAP);
|
|
expect(doc.cues.length).toBe(1);
|
|
const turn = doc.cues[0];
|
|
expect(turn.text).toContain('Bon, maintenant, je le fais');
|
|
expect(turn.text).toContain("C'était par flemme");
|
|
expect(turn.text).toContain('Ça a été, vous y arrivez');
|
|
});
|
|
|
|
test('conserve le timing correct malgré le suffixe non standard', () => {
|
|
const doc = parser.parse(NOSCRIBE_HTML_OVERLAP);
|
|
const turn = doc.cues[0];
|
|
expect(turn.startTime).toBe('00:01:30.660');
|
|
expect(turn.endTime).toBe('00:01:47.904');
|
|
});
|
|
});
|