ben
/
earwigbot
zrcadlo https://github.com/earwig/earwigbot
1
1
Rozštěpit 0
Zdrojový kód Vydání 3 Aktivita
1145 Revize
2 Větve
36 MiB
Strom: a73f618e0a
Větve Značky
${ item.name }
Vytvořit větev ${ searchTerm }
z „a73f618e0a“
${ noResults }
Graf revizí

55 Revize (a73f618e0aec26efdc28b85ae824911e1b9536c1)

Autor SHA1 Zpráva Datum
  Ben Kurtovic a73f618e0a Initial conversion to Python 3 před 3 roky
  Ben Kurtovic fe2e7879e4 Fix issues in previous commit před 3 roky
  Ben Kurtovic 2324a73624 copyvios: Refactor some parsing logic and add dynamic Blogger support před 3 roky
  Ben Kurtovic a49a82e263 Fix a few bugs před 3 roky
  Ben Kurtovic 2b5914b6ae Support parser-directed URL redirecting (for Wayback Machine PDFs) před 3 roky
  Ben Kurtovic 466d3a42f1 copyvios: Minor refactor for cleaner stack frames. před 5 roky
  Ben Kurtovic 42a224f365 copyvios: Catch PDF parser exceptions more aggressively. před 5 roky
  Ben Kurtovic f2099df5d5 Minor refactor in HTML parser. před 7 roky
  Ben Kurtovic eceb4d139a Minor refactor. před 8 roky
  Ben Kurtovic f92fb34d0e Improve sentence splitting, again. před 8 roky
  Ben Kurtovic 75058997c2 Split copyvio queries a bit differently; maybe better on other languages. před 8 roky
  Ben Kurtovic 91846ce4fb Refactor out mirror hinting logic in source parsers. před 8 roky
  Ben Kurtovic 147b46f572 A couple more fixes and cleanup. před 8 roky
  Ben Kurtovic 03910b6cb5 Add mirror detection logic to parsers; fixes. před 8 roky
  Ben Kurtovic 81a090c923 Allow content parsers to signal that a source should be excluded. před 8 roky
  Ben Kurtovic e99e1c1ef1 Typo fix. před 8 roky
  Ben Kurtovic 509598d7fc Try merging in templates with parameter values of a certain size (fixes #42) před 8 roky
  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 10 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. 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. 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. před 12 roky