Ben Kurtovic
4e8be871b7
Update copyright year for 2015.
před 9 roky
Ben Kurtovic
9ffc3f1bf5
Raise file crawl size limit for PDFs.
před 9 roky
Ben Kurtovic
901192ec18
Handle errors from UnicodeDamnit.
před 9 roky
Ben Kurtovic
699f6e3b17
Seems it will sometimes raise AssertionError.
před 9 roky
Ben Kurtovic
12c5170815
Catch another exception thrown by pdfminer.
před 9 roky
Ben Kurtovic
77514ee925
Add another PDF string substitution.
před 9 roky
Ben Kurtovic
0bdcbca8b0
Rudimentary solution for PDF parsing ( closes earwig/copyvios#18 )
před 9 roky
Ben Kurtovic
30f72df470
Refactor parsers; fix empty document behavior.
před 9 roky
Ben Kurtovic
5349179088
Fix parsing of plain text documents ( earwig/copyvios#3 )
před 9 roky
Ben Kurtovic
7afb484cea
Refactor a bunch of copyvio internals. Store all sources with a result object.
před 9 roky
Ben Kurtovic
54ddff049f
Make CopyvioSource public; tweaks.
před 9 roky
Ben Kurtovic
9b87e2e5f7
Fix trying to remove a node that was already removed.
před 9 roky
Ben Kurtovic
193f96451e
Also strip <ref>s in ArticleTextParser.strip().
před 9 roky
Ben Kurtovic
c4dede1459
Reorder length check to potentially fix an empty-query bug.
před 9 roky
Ben Kurtovic
5874467ec3
Bugfix, cleanup.
před 9 roky
Ben Kurtovic
ae0c390ceb
Redesign copyvio internals to parallelize URL loading/parsing.
před 9 roky
Ben Kurtovic
3e4dac967d
Remove auto-quotes from queries; add min_query; halve max_query.
před 9 roky
Ben Kurtovic
6b146a397a
Also strip out files and categories in ATP.strip().
před 9 roky
Ben Kurtovic
2dfdf1bd4a
Ensure the text is stripped properly.
před 9 roky
Ben Kurtovic
3dde1c5d60
Correctly handle HTML with no <body> tags.
před 10 roky
Ben Kurtovic
39d5c7c149
Update copyright notices for 2014.
před 10 roky
Ben Kurtovic
ed95c99f0e
Update email address.
před 10 roky
Ben Kurtovic
0b7a13eca5
Update copyright notices for 2013.
před 11 roky
Ben Kurtovic
8862bec3d9
Fix statements assigned to nothing.
před 11 roky
Ben Kurtovic
a4dda89a61
Various fixes for copyvios.
- Fix a bug in ExclusionsDB; improve URL regexes.
- NLTK's LookupError is actually an IOError.
- Fix bug in __repr__ for CopyvioCheckResult.
- Rewrite YahooBOSSSearchEngine to actually work with oauth2.
- Search engines now take a URL opener in addition to credentials.
před 11 roky
Ben Kurtovic
0ca84ab9bc
Implement lazy-importing of oauth2, nltk, and bs4.
před 11 roky
Ben Kurtovic
4baab6f57c
Implement lazy importing of root-level modules and packages.
- Simplify all imports
- Update dependency version in setup.py
- Change waitTime default from three seconds to two
před 11 roky
Ben Kurtovic
7d52d4558a
Some updates to !lag.
před 11 roky
Ben Kurtovic
33aa1d6744
Collapse extra newlines to avoid distorting trigrams.
před 11 roky
Ben Kurtovic
5ab736723b
Fixing a number of silly mistakes; refactoring (thanks pylint)
před 12 roky
Ben Kurtovic
c260648bdb
Finish chunking algorithm, improve !link, other fixes.
před 12 roky
Ben Kurtovic
569c815d99
Implement NLTK for chunking article content ( #5 ).
před 12 roky
Ben Kurtovic
cb87004107
Primitive screen scraper for HTML using BeautifulSoup and LXML.
Obviously this can and should be improved significantly later, but it seems
good enough for now.
před 12 roky
Ben Kurtovic
1af4217b63
Update copyright notices and some other improvements.
před 12 roky
Ben Kurtovic
d45e342bac
DOCUMENT EVERYTHING ( #5 )
Also implementing MWParserFromHell, plus some cleanup.
před 12 roky
Ben Kurtovic
d87c226417
__repr__ and __str__ for everything per #5 and #22 .
před 12 roky
Ben Kurtovic
5ca1d91f3e
Use __all__ within e.w.copyvios and shorter imports
před 12 roky
Ben Kurtovic
86a8440730
Moving parsers to own file.
před 12 roky