]> git.scottworley.com Git - paperdoorknob/blobdiff - paperdoorknob.py
Rename: fetch → parse
[paperdoorknob] / paperdoorknob.py
index b88c02d73e64a604763ad5c8ca8785055496d53f..31ce02c494ea29aadc8794d75f11ee8397729a2c 100644 (file)
@@ -6,24 +6,17 @@
 
 
 from argparse import ArgumentParser
+import itertools
 import os.path
+import subprocess
+
+from typing import IO, Iterable
+
 from bs4 import BeautifulSoup
 from bs4.element import Tag
-import requests
-import requests_cache
 from xdg_base_dirs import xdg_cache_home
 
-
-class Post:
-    def __init__(self, html: BeautifulSoup) -> None:
-        self._html = html
-
-    def text(self) -> Tag:
-        body = self._html.body
-        assert body
-        text = body.find_next("div", class_="post-post")
-        assert isinstance(text, Tag)
-        return text
+from fetch import CachingFetcher, Fetcher
 
 
 def command_line_parser() -> ArgumentParser:
@@ -33,6 +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',
@@ -41,17 +40,58 @@ def command_line_parser() -> ArgumentParser:
     return parser
 
 
-def fetch(url: str, session: requests.Session, timeout: int) -> BeautifulSoup:
-    with session.get(url, timeout=timeout) as r:
-        r.raise_for_status()
-        return BeautifulSoup(r.text, 'html.parser')
+def parse(content: bytes) -> BeautifulSoup:
+    return BeautifulSoup(content, 'html.parser')
+
+
+def clean(html: BeautifulSoup) -> BeautifulSoup:
+    for eb in html.find_all("div", class_="post-edit-box"):
+        eb.decompose()
+    for footer in html.find_all("div", class_="post-footer"):
+        footer.decompose()
+    return html
+
+
+def replies(html: BeautifulSoup) -> Iterable[Tag]:
+    def text() -> Tag:
+        body = html.body
+        assert body
+        text = body.find_next("div", class_="post-post")
+        assert isinstance(text, Tag)
+        return text
+
+    def the_replies() -> Iterable[Tag]:
+        rs = html.find_all("div", class_="post-reply")
+        assert all(isinstance(r, Tag) for r in rs)
+        return rs
+
+    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,
+        fetcher: Fetcher,
+        texout: IO[bytes],
+        pandoc: str) -> None:
+    texout.write(b'\\documentclass{article}\n\\begin{document}\n')
+    html = clean(parse(fetcher.fetch(url)))
+    for r in replies(html):
+        texout.write(html_to_tex(pandoc, r))
+    texout.write(b'\\end{document}\n')
 
 
 def main() -> None:
     args = command_line_parser().parse_args()
-    with requests_cache.CachedSession(args.cache_path, cache_control=True) as session:
-        html = fetch(args.url, session, args.timeout)
-        Post(html)
+    with CachingFetcher(args.cache_path, args.timeout) as fetcher:
+        with open(args.out + '.tex', 'wb') as texout:
+            process(args.url, fetcher, texout, args.pandoc or 'pandoc')
 
 
 if __name__ == '__main__':