asciimoo преди 11 години
родител
ревизия
e946752474
променени са 1 файла, в които са добавени 26 реда и са изтрити 0 реда
  1. 26
    0
      searx/utils.py

+ 26
- 0
searx/utils.py Целия файл

@@ -0,0 +1,26 @@
1
+from HTMLParser import HTMLParser
2
+import htmlentitydefs
3
+
4
+class HTMLTextExtractor(HTMLParser):
5
+    def __init__(self):
6
+        HTMLParser.__init__(self)
7
+        self.result = [ ]
8
+
9
+    def handle_data(self, d):
10
+        self.result.append(d)
11
+
12
+    def handle_charref(self, number):
13
+        codepoint = int(number[1:], 16) if number[0] in (u'x', u'X') else int(number)
14
+        self.result.append(unichr(codepoint))
15
+
16
+    def handle_entityref(self, name):
17
+        codepoint = htmlentitydefs.name2codepoint[name]
18
+        self.result.append(unichr(codepoint))
19
+
20
+    def get_text(self):
21
+        return u''.join(self.result)
22
+
23
+def html_to_text(html):
24
+    s = HTMLTextExtractor()
25
+    s.feed(html)
26
+    return s.get_text()