Spaces:
Sleeping
Sleeping
File size: 11,058 Bytes
698ce3e |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 |
"""
Module principal de l'application Web Scraper et Convertisseur Markdown.
"""
import os
import logging
import time
from typing import Dict, Optional, Union, List
from urllib.parse import urlparse
import pathlib
from dotenv import load_dotenv
from src.web2llm.app.scraper.scraper import WebScraper
from src.web2llm.app.converter.converter import MarkdownConverter
# Configuration du logging
logging.basicConfig(level=logging.INFO,
format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)
# Chargement des variables d'environnement
load_dotenv()
# Configuration
OUTPUT_DIR = os.getenv('OUTPUT_DIR', './output')
DEFAULT_FILENAME = os.getenv('DEFAULT_FILENAME', 'scraped_content')
class WebToMarkdown:
"""Classe principale combinant le scraping et la conversion en Markdown."""
def __init__(self, output_dir: str = OUTPUT_DIR):
"""
Initialise l'outil.
Args:
output_dir: Répertoire où sauvegarder les fichiers Markdown
"""
self.scraper = WebScraper()
self.converter = MarkdownConverter()
self.output_dir = output_dir
# S'assurer que le répertoire de sortie existe
os.makedirs(self.output_dir, exist_ok=True)
def generate_filename(self, url: str, title: Optional[str] = None, extension: str = '.md') -> str:
"""
Génère un nom de fichier valide à partir de l'URL ou du titre.
Args:
url: L'URL de la page
title: Le titre de la page (optionnel)
extension: L'extension du fichier (.md par défaut)
Returns:
Un nom de fichier valide
"""
if title:
# Nettoyer le titre pour en faire un nom de fichier valide
safe_title = "".join([c if c.isalnum() or c in [' ', '-', '_'] else "_" for c in title])
safe_title = safe_title.strip()
filename = safe_title[:100] # Limiter la longueur mais permettre des noms plus longs
else:
# Utiliser l'URL
parsed_url = urlparse(url)
hostname = parsed_url.netloc
path = parsed_url.path.strip('/')
filename = f"{hostname}_{path}".replace('/', '_')
# Remplacer les espaces par des tirets
filename = filename.replace(' ', '-')
# S'assurer que le nom se termine par l'extension spécifiée
if not filename.endswith(extension):
filename += extension
return filename
def save_raw_html(self, html_content: str, filepath: str) -> bool:
"""
Sauvegarde le contenu HTML brut dans un fichier.
Args:
html_content: Le contenu HTML
filepath: Chemin où sauvegarder le fichier
Returns:
True si la sauvegarde a réussi, False sinon
"""
try:
# S'assurer que le répertoire existe
os.makedirs(os.path.dirname(os.path.abspath(filepath)), exist_ok=True)
with open(filepath, 'w', encoding='utf-8') as f:
f.write(html_content)
logger.info(f"Contenu HTML sauvegardé avec succès dans {filepath}")
return True
except Exception as e:
logger.error(f"Erreur lors de la sauvegarde du fichier HTML: {str(e)}")
return False
def process_url(self, url: str, save: bool = False,
filename: Optional[str] = None) -> Dict[str, Union[str, None, bool]]:
"""
Traite une URL: scraping, nettoyage et conversion en Markdown.
Args:
url: L'URL à traiter
save: Si True, sauvegarde le résultat dans un fichier
filename: Nom du fichier pour la sauvegarde
Returns:
Dictionnaire avec les résultats et le statut
"""
result = {
"url": url,
"title": None,
"markdown": None,
"saved": False,
"saved_path": None,
"success": False,
"error": None,
"html_saved": False,
"html_saved_path": None
}
try:
# Définir l'URL de base pour la conversion des liens relatifs
self.converter.base_url = url
# Scraper l'URL
logger.info(f"Scraping de l'URL: {url}")
scraped_data = self.scraper.scrape(url, clean=True, extract_text=True)
# Stocker le titre
result["title"] = scraped_data["title"]
if not scraped_data["clean_html"]:
result["error"] = "Impossible de récupérer ou nettoyer le contenu HTML"
return result
# Conversion en Markdown
logger.info("Conversion du HTML en Markdown")
markdown_content = self.converter.html_to_markdown(
scraped_data["clean_html"], url)
# Vérifier si la conversion a produit un résultat significatif
if not markdown_content or len(markdown_content) < 100:
logger.warning("Conversion en Markdown insuffisante, tentative avec le texte brut")
# Si le texte brut est disponible, l'utiliser comme alternative
if scraped_data["text_content"]:
markdown_content = scraped_data["text_content"]
else:
# Dernière tentative: extraire le texte à partir du HTML nettoyé
from bs4 import BeautifulSoup
soup = BeautifulSoup(scraped_data["clean_html"], 'html.parser')
markdown_content = soup.get_text(separator='\n\n', strip=True)
# Mise à jour du résultat
result["markdown"] = markdown_content
result["success"] = True
# Sauvegarde si demandée
if save:
# Générer un nom de fichier si non spécifié
if not filename:
filename = self.generate_filename(url, result["title"])
# S'assurer que l'extension est .md
elif not filename.endswith('.md'):
filename += '.md'
filepath = os.path.join(self.output_dir, filename)
# Enregistrer le fichier Markdown
saved = self.converter.save_markdown(markdown_content, filepath)
result["saved"] = saved
result["saved_path"] = filepath if saved else None
# Si la conversion en Markdown n'est pas optimale, sauvegarder aussi le HTML
if len(markdown_content) < 500 or "<" in markdown_content:
html_filename = filename.replace('.md', '.html')
html_filepath = os.path.join(self.output_dir, html_filename)
html_saved = self.save_raw_html(scraped_data["clean_html"], html_filepath)
result["html_saved"] = html_saved
result["html_saved_path"] = html_filepath if html_saved else None
if html_saved:
logger.info(f"Le HTML a été sauvegardé en complément dans {html_filepath}")
return result
except Exception as e:
logger.error(f"Erreur lors du traitement de l'URL {url}: {str(e)}")
result["error"] = str(e)
# En cas d'erreur, tenter de sauvegarder le HTML brut si disponible
if save and scraped_data and "raw_html" in scraped_data and scraped_data["raw_html"]:
if not filename:
filename = self.generate_filename(url, result["title"], '.html')
else:
filename = filename.replace('.md', '.html')
html_filepath = os.path.join(self.output_dir, filename)
html_saved = self.save_raw_html(scraped_data["raw_html"], html_filepath)
result["html_saved"] = html_saved
result["html_saved_path"] = html_filepath if html_saved else None
if html_saved:
logger.info(f"Sauvegarde de secours du HTML brut dans {html_filepath}")
return result
def process_multiple_urls(self, urls: List[str], save: bool = True) -> Dict[str, List[Dict]]:
"""
Traite plusieurs URLs en parallèle.
Args:
urls: Liste d'URLs à traiter
save: Si True, sauvegarde les résultats
Returns:
Dictionnaire contenant les résultats pour chaque URL
"""
results = []
for url in urls:
result = self.process_url(url, save=save)
results.append(result)
return {
"total": len(urls),
"success": sum(1 for r in results if r["success"]),
"results": results
}
# Fonction pour une utilisation rapide en ligne de commande
def process_url(url: str, save: bool = False, filename: Optional[str] = None) -> Dict:
"""
Fonction utilitaire pour traiter rapidement une URL.
Args:
url: L'URL à traiter
save: Si True, sauvegarde le résultat
filename: Nom du fichier pour la sauvegarde
Returns:
Dictionnaire avec les résultats
"""
processor = WebToMarkdown()
return processor.process_url(url, save, filename)
if __name__ == "__main__":
import argparse
parser = argparse.ArgumentParser(description="Scraper et convertisseur Markdown")
parser.add_argument("url", help="URL à scraper")
parser.add_argument("--save", action="store_true", help="Sauvegarder en fichier Markdown")
parser.add_argument("--output", help="Nom du fichier de sortie")
parser.add_argument("--dir", help="Répertoire de sortie", default=OUTPUT_DIR)
args = parser.parse_args()
processor = WebToMarkdown(output_dir=args.dir)
result = processor.process_url(args.url, save=args.save, filename=args.output)
if result["success"]:
print(f"Titre: {result['title']}")
print("\nContenu Markdown:")
print("-------------------")
print(result["markdown"][:500] + "..." if len(result["markdown"]) > 500 else result["markdown"])
if result["saved"]:
print(f"\nFichier sauvegardé: {result['saved_path']}")
if result["html_saved"]:
print(f"\nFichier HTML sauvegardé: {result['html_saved_path']}")
else:
print(f"Erreur: {result['error']}")
if result["html_saved"]:
print(f"\nFichier HTML de secours sauvegardé: {result['html_saved_path']}") |