]> git.scottworley.com Git - paperdoorknob/blobdiff - paperdoorknob.py
Verify that LaTeX conversion is doing something
[paperdoorknob] / paperdoorknob.py
index 8329f83e69e026791f6997a296a10af19ab4d2e1..32daf4f4d9372b07ee1e5eb801037ea2efa129ad 100644 (file)
@@ -8,8 +8,9 @@
 from argparse import ArgumentParser
 import itertools
 import os.path
+import subprocess
 
-from typing import Iterable
+from typing import IO, Iterable
 
 from bs4 import BeautifulSoup
 from bs4.element import Tag
@@ -25,6 +26,12 @@ def command_line_parser() -> ArgumentParser:
         metavar='PATH',
         help='Where to keep the http cache (instead of %(default)s)',
         default=os.path.join(xdg_cache_home(), "paperdoorknob"))
+    parser.add_argument(
+        '--out',
+        help='The filename stem at which to write output ' +
+             '(eg: "%(default)s" produces %(default)s.text, %(default)s.pdf, etc.)',
+        default='book')
+    parser.add_argument('--pandoc', help='Location of the pandoc executable')
     parser.add_argument(
         '--timeout',
         help='How long to wait for HTTP requests, in seconds',
@@ -63,18 +70,35 @@ def replies(html: BeautifulSoup) -> Iterable[Tag]:
     return itertools.chain([text()], the_replies())
 
 
+def html_to_tex(pandoc: str, tag: Tag) -> bytes:
+    return subprocess.run([pandoc, '--from=html', '--to=latex'],
+                          input=tag.encode(),
+                          stdout=subprocess.PIPE,
+                          check=True).stdout
+
+
 def process(
         url: str,
         session: requests.Session,
-        timeout: int) -> Iterable[Tag]:
+        timeout: int,
+        texout: IO[bytes],
+        pandoc: str,
+) -> None:
     html = clean(fetch(url, session, timeout))
-    return replies(html)
+    for r in replies(html):
+        texout.write(html_to_tex(pandoc, r))
 
 
 def main() -> None:
     args = command_line_parser().parse_args()
     with requests_cache.CachedSession(args.cache_path, cache_control=True) as session:
-        process(args.url, session, args.timeout)
+        with open(args.out + '.tex', 'wb') as texout:
+            process(
+                args.url,
+                session,
+                args.timeout,
+                texout,
+                args.pandoc or 'pandoc')
 
 
 if __name__ == '__main__':