Ben Kurtovic
a73f618e0a
Initial conversion to Python 3
преди 3 години
Ben Kurtovic
fe2e7879e4
Fix issues in previous commit
преди 3 години
Ben Kurtovic
2324a73624
copyvios: Refactor some parsing logic and add dynamic Blogger support
преди 3 години
Ben Kurtovic
a49a82e263
Fix a few bugs
преди 3 години
Ben Kurtovic
2b5914b6ae
Support parser-directed URL redirecting (for Wayback Machine PDFs)
преди 3 години
Ben Kurtovic
466d3a42f1
copyvios: Minor refactor for cleaner stack frames.
преди 5 години
Ben Kurtovic
42a224f365
copyvios: Catch PDF parser exceptions more aggressively.
преди 5 години
Ben Kurtovic
f2099df5d5
Minor refactor in HTML parser.
преди 7 години
Ben Kurtovic
eceb4d139a
Minor refactor.
преди 8 години
Ben Kurtovic
f92fb34d0e
Improve sentence splitting, again.
преди 8 години
Ben Kurtovic
75058997c2
Split copyvio queries a bit differently; maybe better on other languages.
преди 8 години
Ben Kurtovic
91846ce4fb
Refactor out mirror hinting logic in source parsers.
преди 8 години
Ben Kurtovic
147b46f572
A couple more fixes and cleanup.
преди 8 години
Ben Kurtovic
03910b6cb5
Add mirror detection logic to parsers; fixes.
преди 8 години
Ben Kurtovic
81a090c923
Allow content parsers to signal that a source should be excluded.
преди 8 години
Ben Kurtovic
e99e1c1ef1
Typo fix.
преди 8 години
Ben Kurtovic
509598d7fc
Try merging in templates with parameter values of a certain size ( fixes #42 )
преди 8 години
Ben Kurtovic
4e8be871b7
Update copyright year for 2015.
преди 9 години
Ben Kurtovic
9ffc3f1bf5
Raise file crawl size limit for PDFs.
преди 9 години
Ben Kurtovic
901192ec18
Handle errors from UnicodeDamnit.
преди 9 години
Ben Kurtovic
699f6e3b17
Seems it will sometimes raise AssertionError.
преди 9 години
Ben Kurtovic
12c5170815
Catch another exception thrown by pdfminer.
преди 9 години
Ben Kurtovic
77514ee925
Add another PDF string substitution.
преди 9 години
Ben Kurtovic
0bdcbca8b0
Rudimentary solution for PDF parsing ( closes earwig/copyvios#18 )
преди 9 години
Ben Kurtovic
30f72df470
Refactor parsers; fix empty document behavior.
преди 9 години
Ben Kurtovic
5349179088
Fix parsing of plain text documents ( earwig/copyvios#3 )
преди 9 години
Ben Kurtovic
7afb484cea
Refactor a bunch of copyvio internals. Store all sources with a result object.
преди 9 години
Ben Kurtovic
54ddff049f
Make CopyvioSource public; tweaks.
преди 9 години
Ben Kurtovic
9b87e2e5f7
Fix trying to remove a node that was already removed.
преди 9 години
Ben Kurtovic
193f96451e
Also strip <ref>s in ArticleTextParser.strip().
преди 9 години
Ben Kurtovic
c4dede1459
Reorder length check to potentially fix an empty-query bug.
преди 9 години
Ben Kurtovic
5874467ec3
Bugfix, cleanup.
преди 9 години
Ben Kurtovic
ae0c390ceb
Redesign copyvio internals to parallelize URL loading/parsing.
преди 10 години
Ben Kurtovic
3e4dac967d
Remove auto-quotes from queries; add min_query; halve max_query.
преди 10 години
Ben Kurtovic
6b146a397a
Also strip out files and categories in ATP.strip().
преди 10 години
Ben Kurtovic
2dfdf1bd4a
Ensure the text is stripped properly.
преди 10 години
Ben Kurtovic
3dde1c5d60
Correctly handle HTML with no <body> tags.
преди 10 години
Ben Kurtovic
39d5c7c149
Update copyright notices for 2014.
преди 10 години
Ben Kurtovic
ed95c99f0e
Update email address.
преди 10 години
Ben Kurtovic
0b7a13eca5
Update copyright notices for 2013.
преди 11 години
Ben Kurtovic
8862bec3d9
Fix statements assigned to nothing.
преди 11 години
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.
преди 11 години
Ben Kurtovic
0ca84ab9bc
Implement lazy-importing of oauth2, nltk, and bs4.
преди 11 години
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
преди 11 години
Ben Kurtovic
7d52d4558a
Some updates to !lag.
преди 12 години
Ben Kurtovic
33aa1d6744
Collapse extra newlines to avoid distorting trigrams.
преди 12 години
Ben Kurtovic
5ab736723b
Fixing a number of silly mistakes; refactoring (thanks pylint)
преди 12 години
Ben Kurtovic
c260648bdb
Finish chunking algorithm, improve !link, other fixes.
преди 12 години
Ben Kurtovic
569c815d99
Implement NLTK for chunking article content ( #5 ).
преди 12 години
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.
преди 12 години