Thorium阅读器中日语注音标注功能的技术解析

背景介绍

Thorium阅读器是一款开源的电子书阅读软件，在处理日语文本时遇到了注音标注功能的技术挑战。日语文本中常见的"振假名"(furigana)标注方式，在电子书中通常使用HTML5的<ruby>标签实现，这给文本选择和标注功能带来了特殊的技术需求。

技术问题分析

在日语文本处理中，<ruby>标签用于将汉字(kanji)与其发音假名(furigana)关联起来。Thorium阅读器在实现文本标注功能时，直接使用了Web API的element.textContent属性获取选中文本内容，导致汉字和假名混合显示，不符合用户期望的只标注汉字的需求。

解决方案探讨

1. 基础解决方案

对于简单的<ruby>结构，如<ruby>空<rt>そら</rt></ruby>，可以通过element.firstChild.textContent直接获取汉字部分。这种方法简单直接，适用于单字注音的情况。

2. 复杂场景处理

实际应用中会遇到更复杂的结构：

• 多字统一注音：如<ruby>季節<rt>きせつ</rt></ruby>，虽然包含多个汉字，但注音是整体标注的，仍可使用firstChild.textContent获取。

• 分字注音：如<ruby>季<rt>き</rt>節<rt>せつ</rt></ruby>，每个汉字单独标注，需要更复杂的处理方法。

3. 正则表达式方案

针对分字注音的情况，可以使用正则表达式移除所有<rt>标签及其内容：

element.innerHTML.replace(/<rt>.*?<\/rt>/g, '')

这种方法能有效提取纯汉字文本，但需要注意处理可能存在的嵌套结构或特殊情况。

实现建议

1. 优先检测简单结构：先尝试使用firstChild.textContent获取内容，若结果不符合预期再尝试复杂方法。

2. 性能优化：对于大量文本处理，正则表达式可能影响性能，应考虑缓存处理结果。

3. 边界情况处理：需要考虑<ruby>标签嵌套、空标签等特殊情况。

总结

Thorium阅读器在处理日语注音文本标注时，需要特别考虑<ruby>标签的结构特性。通过组合使用DOM操作和正则表达式，可以有效地提取纯汉字文本，为用户提供更好的标注体验。这一解决方案不仅适用于Thorium，也可为其他处理多语言文本的阅读器提供参考。