refactor(tool): 移除html_to_md模块并清理相关依赖
- 删除html_to_md模块及其相关文件 - 更新ModelTool.py中的导入语句 - 移除IntentRecognition.py中未使用的导入
This commit is contained in:
@@ -32,7 +32,7 @@ from .DataModels import (
|
|||||||
StepBackPrompt, HypotheticalDocument
|
StepBackPrompt, HypotheticalDocument
|
||||||
)
|
)
|
||||||
from .ProfessionalNounVector import ProfessionalNounRetriever, AsyncProfessionalNounRetriever
|
from .ProfessionalNounVector import ProfessionalNounRetriever, AsyncProfessionalNounRetriever
|
||||||
from rag2_0.tool.ModelTool import XinferenceReRankerModel, OpenAiLLM, SiliconFlowReRankerModel
|
from rag2_0.tool.ModelTool import XinferenceReRankerModel, OpenAiLLM
|
||||||
|
|
||||||
class AsyncIntentRecognizer:
|
class AsyncIntentRecognizer:
|
||||||
SOFT_WIKI_PATH = "data/wiki_data"
|
SOFT_WIKI_PATH = "data/wiki_data"
|
||||||
|
|||||||
@@ -19,7 +19,7 @@ import requests
|
|||||||
import os
|
import os
|
||||||
import logging
|
import logging
|
||||||
from rag2_0.tool.APIKeyManager import APIKeyManager
|
from rag2_0.tool.APIKeyManager import APIKeyManager
|
||||||
|
from urllib.parse import urljoin
|
||||||
|
|
||||||
class SiliconFlowEmbeddings(Embeddings):
|
class SiliconFlowEmbeddings(Embeddings):
|
||||||
"""SiliconFlow嵌入模型封装"""
|
"""SiliconFlow嵌入模型封装"""
|
||||||
|
|||||||
@@ -1,3 +0,0 @@
|
|||||||
from . import custom_markdownify
|
|
||||||
|
|
||||||
convert_html_to_md = custom_markdownify.md
|
|
||||||
@@ -1,491 +0,0 @@
|
|||||||
import re
|
|
||||||
from textwrap import fill
|
|
||||||
|
|
||||||
import requests
|
|
||||||
from bs4 import NavigableString
|
|
||||||
from bs4 import BeautifulSoup
|
|
||||||
from markdownify import MarkdownConverter, chomp, UNDERLINED, ATX_CLOSED
|
|
||||||
import copy
|
|
||||||
from . import picture_process
|
|
||||||
|
|
||||||
|
|
||||||
# <br>是否是单元格内部的换行符
|
|
||||||
def judge_br_in_table(el):
|
|
||||||
if el.name in ['td', 'tr']:
|
|
||||||
return True
|
|
||||||
if el.parent is None:
|
|
||||||
return False
|
|
||||||
# 递归父级元素
|
|
||||||
return judge_br_in_table(el.parent)
|
|
||||||
|
|
||||||
|
|
||||||
# 获取div标签中是否为标题，如果是标题则markdown中的返回标题等级
|
|
||||||
def get_markdown_title_level(el):
|
|
||||||
if el.name != 'div' or 'class' not in el.attrs:
|
|
||||||
return ''
|
|
||||||
title_level = ''
|
|
||||||
if 'hdwiki_tmml' in el.attrs['class']:
|
|
||||||
title_level = '## '
|
|
||||||
elif 'hdwiki_tmmll' in el.attrs['class']:
|
|
||||||
title_level = '### '
|
|
||||||
return title_level
|
|
||||||
|
|
||||||
|
|
||||||
def str_is_title(text) -> bool:
|
|
||||||
text = text.strip()
|
|
||||||
pattern = r'^#+'
|
|
||||||
|
|
||||||
# 使用re.search匹配字符串开头的 # 符号
|
|
||||||
match = re.search(pattern, text)
|
|
||||||
if match:
|
|
||||||
return True
|
|
||||||
else:
|
|
||||||
return False
|
|
||||||
|
|
||||||
|
|
||||||
# 判断el 是否是图片的DIV标签
|
|
||||||
def is_img_div_tag(el) -> bool:
|
|
||||||
if el is None:
|
|
||||||
return False
|
|
||||||
if el.name != "div":
|
|
||||||
return False
|
|
||||||
class_attr = el.get('class')
|
|
||||||
if class_attr is None:
|
|
||||||
return False
|
|
||||||
if "img" in class_attr or "img_l" in class_attr:
|
|
||||||
return True
|
|
||||||
else:
|
|
||||||
return False
|
|
||||||
|
|
||||||
|
|
||||||
# 判断div内部是否是纯文本内容，并且display是否为block
|
|
||||||
def is_only_text_div(el) -> bool:
|
|
||||||
if el is None or el.name != "div" or el.text == "":
|
|
||||||
return False
|
|
||||||
|
|
||||||
if el.get("display", "block") != "block":
|
|
||||||
return False
|
|
||||||
|
|
||||||
# div标签下只包含文本
|
|
||||||
if isinstance(el.string, NavigableString):
|
|
||||||
return True
|
|
||||||
|
|
||||||
# 兼容<div><b>1. 版本概述</b> </div> 判断错误问题
|
|
||||||
# 递归获取所有子标签
|
|
||||||
child_tags = el.find_all(recursive=True)
|
|
||||||
for tag in child_tags:
|
|
||||||
if tag.text == "":
|
|
||||||
continue
|
|
||||||
if tag.name in ["table", "td", "img"]:
|
|
||||||
return False
|
|
||||||
if isinstance(tag.string, NavigableString):
|
|
||||||
continue
|
|
||||||
else:
|
|
||||||
return False
|
|
||||||
|
|
||||||
return True
|
|
||||||
|
|
||||||
|
|
||||||
# a标签是否在图片的div标签内部
|
|
||||||
def a_tag_is_in_img(el) -> bool:
|
|
||||||
if el.parent is None:
|
|
||||||
return False
|
|
||||||
if el.name != "a" or el.parent.name != "div":
|
|
||||||
return False
|
|
||||||
|
|
||||||
return is_img_div_tag(el.parent)
|
|
||||||
|
|
||||||
|
|
||||||
class CustomMarkDownConverter(MarkdownConverter):
|
|
||||||
"""
|
|
||||||
创建自定义的换行装换函数
|
|
||||||
"""
|
|
||||||
|
|
||||||
def __init__(self, img_download_path, **options):
|
|
||||||
super().__init__(**options)
|
|
||||||
self.img_download_path = img_download_path
|
|
||||||
|
|
||||||
# 单元格内的换行依旧保持<br>格式
|
|
||||||
def convert_br(self, el, text, convert_as_inline):
|
|
||||||
if judge_br_in_table(el):
|
|
||||||
return "<br/>"
|
|
||||||
|
|
||||||
# 容错处理(文章4696)，因bs4解析html错误 导致将 分类图标签 解析到了br标签下导致图片丢失
|
|
||||||
if text.strip():
|
|
||||||
return text + "\n"
|
|
||||||
|
|
||||||
return super().convert_br(el, text, convert_as_inline)
|
|
||||||
|
|
||||||
# 图片div标签 在图片与图片描述之间添加换行
|
|
||||||
@staticmethod
|
|
||||||
def convert_img_div(text):
|
|
||||||
pattern = r'\*\*(.*?)\*\*'
|
|
||||||
match = re.search(pattern, text)
|
|
||||||
if match:
|
|
||||||
start_index = match.start()
|
|
||||||
text = text[:start_index] + "\n" + text[start_index:]
|
|
||||||
return text
|
|
||||||
|
|
||||||
# 装换标题格式
|
|
||||||
def convert_div(self, el, text, convert_as_inline):
|
|
||||||
title_level = get_markdown_title_level(el)
|
|
||||||
if title_level != '':
|
|
||||||
return "\n\n" + title_level + text + '\n\n'
|
|
||||||
|
|
||||||
if is_img_div_tag(el):
|
|
||||||
# 图片与图片描述文字之间掺入换行符
|
|
||||||
return self.convert_img_div(text)
|
|
||||||
|
|
||||||
if is_only_text_div(el):
|
|
||||||
text = "\n\n" + text + "\n\n"
|
|
||||||
|
|
||||||
return text
|
|
||||||
|
|
||||||
# 检查 URL 是否有效的函数
|
|
||||||
@staticmethod
|
|
||||||
def is_valid_url(url):
|
|
||||||
try:
|
|
||||||
response = requests.head(url, allow_redirects=True)
|
|
||||||
return response.status_code == 200
|
|
||||||
except requests.RequestException:
|
|
||||||
return False
|
|
||||||
|
|
||||||
@staticmethod
|
|
||||||
def try_complete_img_description(img_el):
|
|
||||||
if img_el is None or img_el.name != "img":
|
|
||||||
return
|
|
||||||
|
|
||||||
# 找到父级的div标签
|
|
||||||
img_el_parent_div = None
|
|
||||||
cur_el = img_el
|
|
||||||
while cur_el.parent is not None:
|
|
||||||
if is_img_div_tag(cur_el.parent):
|
|
||||||
img_el_parent_div = cur_el.parent
|
|
||||||
break
|
|
||||||
cur_el = cur_el.parent
|
|
||||||
|
|
||||||
if img_el_parent_div is not None and len(img_el_parent_div.text) != 0:
|
|
||||||
img_el.attrs["alt"] = img_el_parent_div.text
|
|
||||||
return
|
|
||||||
|
|
||||||
# 找到父级的figure标签
|
|
||||||
img_el_parent_div = None
|
|
||||||
cur_el = img_el
|
|
||||||
while cur_el.parent is not None:
|
|
||||||
if cur_el.parent is not None and cur_el.parent.name == 'figure':
|
|
||||||
img_el_parent_div = cur_el.parent
|
|
||||||
break
|
|
||||||
cur_el = cur_el.parent
|
|
||||||
|
|
||||||
if img_el_parent_div is not None and len(img_el_parent_div.text) != 0:
|
|
||||||
img_el.attrs["alt"] = img_el_parent_div.text
|
|
||||||
return
|
|
||||||
|
|
||||||
|
|
||||||
def convert_figcaption(self, el, text, convert_as_inline):
|
|
||||||
return ""
|
|
||||||
|
|
||||||
# 图片后添加空行，图片应该单独在一行后面不接文字（示例文章：6925）
|
|
||||||
def convert_img(self, el, text, convert_as_inline):
|
|
||||||
self.try_complete_img_description(el)
|
|
||||||
img_text = super().convert_img(el, text, convert_as_inline)
|
|
||||||
|
|
||||||
# 5195 出现img标签内出现换行导致 markdown图片显示出现问题
|
|
||||||
img_text = img_text.replace("\r\n", "")
|
|
||||||
img_text = img_text.replace("\n", "")
|
|
||||||
# 空的img标签直接返回空行
|
|
||||||
if img_text == "![]()":
|
|
||||||
return '\n\n'
|
|
||||||
|
|
||||||
# img 标签使用父级超链接标签中的中大图
|
|
||||||
src = el.attrs.get('src', None) or ''
|
|
||||||
if el.parent is not None and el.parent.name == "a":
|
|
||||||
href = el.parent.attrs.get('href', None) or ''
|
|
||||||
href_path = href.rsplit(".", 1)[0]
|
|
||||||
src_path = src.rsplit(".", 1)[0]
|
|
||||||
if href_path + "_s" == src_path:
|
|
||||||
img_text = img_text.replace(src, href)
|
|
||||||
|
|
||||||
if '_s' in img_text:
|
|
||||||
src_path = src.rsplit(".", 1)[0]
|
|
||||||
if src_path.endswith('_s'):
|
|
||||||
original_src_path = src_path[:-2] # 去掉末尾的 '_s'
|
|
||||||
# 构建原始 URL
|
|
||||||
original_url = original_src_path + "." + src.split(".")[-1]
|
|
||||||
if self.is_valid_url(original_url):
|
|
||||||
img_text = img_text.replace(src, original_url)
|
|
||||||
|
|
||||||
# 转换并下载图片
|
|
||||||
return picture_process.process_img_tag(img_text, self.img_download_path)
|
|
||||||
|
|
||||||
@staticmethod
|
|
||||||
def is_img_describe_strong(el) -> bool:
|
|
||||||
if el is None or el.parent is None:
|
|
||||||
return False
|
|
||||||
|
|
||||||
if len(el.contents) == 0:
|
|
||||||
return False
|
|
||||||
|
|
||||||
# if not isinstance(el.contents[0], NavigableString):
|
|
||||||
# return False
|
|
||||||
|
|
||||||
img_list = el.parent.findAll("img")
|
|
||||||
if len(img_list) == 0:
|
|
||||||
return False
|
|
||||||
|
|
||||||
for img_tag in img_list:
|
|
||||||
alt = img_tag.get("alt", None)
|
|
||||||
title = img_tag.get("title", None)
|
|
||||||
if alt is None and title is None:
|
|
||||||
continue
|
|
||||||
|
|
||||||
if alt == el.text or title == el.text:
|
|
||||||
return True
|
|
||||||
|
|
||||||
return False
|
|
||||||
|
|
||||||
def convert_b(self, el, text, convert_as_inline):
|
|
||||||
# 如果b 标签下只存在一个标题，则该b不做任何处理，避免对标题进行加粗（示例文章：6925）
|
|
||||||
if len(el.contents) == 1:
|
|
||||||
title_level = get_markdown_title_level(el.contents[0])
|
|
||||||
if title_level != '':
|
|
||||||
return text
|
|
||||||
|
|
||||||
# <b> 标签中存在标题时，不在对内容进行加粗
|
|
||||||
if str_is_title(text):
|
|
||||||
return text
|
|
||||||
|
|
||||||
if self.is_img_describe_strong(el):
|
|
||||||
return ""
|
|
||||||
|
|
||||||
text = text.strip(" \t")
|
|
||||||
suffix = ""
|
|
||||||
if text.endswith("\n"):
|
|
||||||
suffix = " \n"
|
|
||||||
b_text = super().convert_b(el, text, convert_as_inline)
|
|
||||||
|
|
||||||
# 解析完<b> 标签后添加空格。避免出现markdown文档中出现《**1.****版本概述**》(文章2377 4292等)
|
|
||||||
return " " + b_text + suffix + " "
|
|
||||||
|
|
||||||
convert_strong = convert_b
|
|
||||||
|
|
||||||
# 有可能出现<p>之后紧接一个标题hdwiki_tmml 故前后添加换行
|
|
||||||
def convert_p(self, el, text, convert_as_inline):
|
|
||||||
if convert_as_inline:
|
|
||||||
return text
|
|
||||||
if self.options['wrap']:
|
|
||||||
text = fill(text,
|
|
||||||
width=self.options['wrap_width'],
|
|
||||||
break_long_words=False,
|
|
||||||
break_on_hyphens=False)
|
|
||||||
# <p>标签前后换行
|
|
||||||
return '\n\n%s\n\n' % text if text else ''
|
|
||||||
|
|
||||||
def convert_a(self, el, text, convert_as_inline):
|
|
||||||
prefix, suffix, text = chomp(text)
|
|
||||||
if not text:
|
|
||||||
return ''
|
|
||||||
href = el.get('href')
|
|
||||||
if self.is_href_img(href):
|
|
||||||
return text
|
|
||||||
title = el.get('title')
|
|
||||||
# 5195 出现img标签内出现换行导致 markdown图片显示出现问题
|
|
||||||
if title is not None:
|
|
||||||
title = title.replace("\n", "")
|
|
||||||
# For the replacement see #29: text nodes underscores are escaped
|
|
||||||
if (self.options['autolinks']
|
|
||||||
and text.replace(r'\_', '_') == href
|
|
||||||
and not title
|
|
||||||
and not self.options['default_title']):
|
|
||||||
# Shortcut syntax
|
|
||||||
return '<%s>' % href
|
|
||||||
if self.options['default_title'] and not title:
|
|
||||||
title = href
|
|
||||||
title_part = ' "%s"' % title.replace('"', r'\"') if title else ''
|
|
||||||
|
|
||||||
a_tag = '%s[%s](%s%s)%s' % (prefix, text, href, title_part, suffix) if href else text
|
|
||||||
return a_tag
|
|
||||||
|
|
||||||
@staticmethod
|
|
||||||
def is_href_img(href_url) -> bool:
|
|
||||||
if href_url is None:
|
|
||||||
return False
|
|
||||||
file_extension = href_url.split(".")[-1]
|
|
||||||
# 不是图片不处理
|
|
||||||
file_extension = file_extension.lower()
|
|
||||||
if file_extension not in ["jpg", "jpeg", "png", "gif"]:
|
|
||||||
return False
|
|
||||||
|
|
||||||
return True
|
|
||||||
|
|
||||||
def convert_li(self, el, text, convert_as_inline):
|
|
||||||
# 为空的li标签返回空(文章 4347)
|
|
||||||
if not text.strip():
|
|
||||||
return ""
|
|
||||||
|
|
||||||
li_text = super().convert_li(el, text, convert_as_inline)
|
|
||||||
return li_text
|
|
||||||
|
|
||||||
def convert_td(self, el, text, convert_as_inline):
|
|
||||||
if "\r\n" in text:
|
|
||||||
text = text.replace("\r\n", "<br>")
|
|
||||||
|
|
||||||
if "\n" in text:
|
|
||||||
text = text.replace("\n", "<br>")
|
|
||||||
|
|
||||||
return ' ' + text + ' |'
|
|
||||||
|
|
||||||
def convert_hn(self, n, el, text, convert_as_inline):
|
|
||||||
if convert_as_inline:
|
|
||||||
return text
|
|
||||||
|
|
||||||
style = self.options['heading_style'].lower()
|
|
||||||
text = text.rstrip()
|
|
||||||
if style == UNDERLINED and n <= 2:
|
|
||||||
line = '=' if n == 1 else '-'
|
|
||||||
return self.underline(text, line)
|
|
||||||
hashes = '#' * n
|
|
||||||
hashes = hashes + " "
|
|
||||||
if style == ATX_CLOSED:
|
|
||||||
return '\n\n %s %s %s\n\n' % (hashes, text, hashes)
|
|
||||||
return '\n\n%s %s\n\n' % (hashes, text)
|
|
||||||
|
|
||||||
@staticmethod
|
|
||||||
def convert_thead_table(el, text, cell_name, convert_as_inline):
|
|
||||||
cells = el.find_all(['td', 'th'])
|
|
||||||
is_headrow = all([cell.name == cell_name for cell in cells])
|
|
||||||
overline = ''
|
|
||||||
underline = ''
|
|
||||||
if is_headrow and not el.previous_sibling:
|
|
||||||
# first row and is headline: print headline underline
|
|
||||||
underline += '| ' + ' | '.join(['---'] * len(cells)) + ' |' + '\n'
|
|
||||||
elif (not el.previous_sibling
|
|
||||||
and (el.parent.name == 'table'
|
|
||||||
or (el.parent.name == 'tbody'
|
|
||||||
and not el.parent.previous_sibling))):
|
|
||||||
# first row, not headline, and:
|
|
||||||
# - the parent is table or
|
|
||||||
# - the parent is tbody at the beginning of a table.
|
|
||||||
# print empty headline above this row
|
|
||||||
overline += '| ' + ' | '.join([''] * len(cells)) + ' |' + '\n'
|
|
||||||
overline += '| ' + ' | '.join(['---'] * len(cells)) + ' |' + '\n'
|
|
||||||
return overline + '|' + text + '\n' + underline
|
|
||||||
|
|
||||||
def convert_tr(self, el, text, convert_as_inline):
|
|
||||||
# 解决table标签下存在thead的问题 (文章4061 1976)
|
|
||||||
if el and el.parent and el.parent.name == "thead":
|
|
||||||
return CustomMarkDownConverter.convert_thead_table(el, text, 'td', convert_as_inline)
|
|
||||||
|
|
||||||
# 兼容 table->colgroup、tbody->tr 文章4364
|
|
||||||
if (el and el.parent and el.parent.previousSibling
|
|
||||||
and el.parent.name == "tbody"
|
|
||||||
and el.parent.previousSibling.name == "colgroup"):
|
|
||||||
return CustomMarkDownConverter.convert_thead_table(el, text, 'td', convert_as_inline)
|
|
||||||
|
|
||||||
return super().convert_tr(el, text, convert_as_inline)
|
|
||||||
|
|
||||||
def convert_pre(self, el, text, convert_as_inline):
|
|
||||||
# 文章5192出现pre标签，但内容不是代码。故不额外处理pre标签
|
|
||||||
return text
|
|
||||||
|
|
||||||
def escape(self, text):
|
|
||||||
if not text:
|
|
||||||
return ''
|
|
||||||
if self.options['escape_misc']:
|
|
||||||
# text = re.sub(r'([\\&<`[>~#=+|-])', r'\\\1', text)
|
|
||||||
text = re.sub(r'([\\&<`[>~#%=+|-])', r'\\\1', text)
|
|
||||||
# 以下的转义是不必要的
|
|
||||||
# text = re.sub(r'([0-9])([.)])', r'\1\\\2', text)
|
|
||||||
if self.options['escape_asterisks']:
|
|
||||||
text = text.replace('*', r'\*')
|
|
||||||
if self.options['escape_underscores']:
|
|
||||||
text = text.replace('_', r'\_')
|
|
||||||
return text
|
|
||||||
|
|
||||||
@staticmethod
|
|
||||||
def convert_span(el, text, convert_as_inline):
|
|
||||||
# 文章3526出现图片后面紧接图片文本的问题。图片文本在span标签内
|
|
||||||
if "style" not in el.attrs:
|
|
||||||
return text
|
|
||||||
|
|
||||||
style_attr = el.attrs['style']
|
|
||||||
|
|
||||||
if style_attr is None:
|
|
||||||
return text
|
|
||||||
style_content = style_attr.split(';')
|
|
||||||
# 遍历style属性内容，找到display的值
|
|
||||||
for item in style_content:
|
|
||||||
if 'display' in item:
|
|
||||||
display_value = item.split(': ')[1] # 获取冒号后的值
|
|
||||||
if display_value == "block" and text != "":
|
|
||||||
return f"\n\n{text}\n\n"
|
|
||||||
return text
|
|
||||||
|
|
||||||
|
|
||||||
def expand_html_table(html) -> tuple[str, bool]:
|
|
||||||
soup = BeautifulSoup(html, 'html.parser')
|
|
||||||
tables = soup.find_all('table')
|
|
||||||
if len(tables) == 0:
|
|
||||||
return html, False
|
|
||||||
for table in tables:
|
|
||||||
# 创建一个二维列表来表示表格
|
|
||||||
table_rows = table.find_all('tr')
|
|
||||||
max_cols = 0
|
|
||||||
for row in table_rows:
|
|
||||||
cols = row.find_all(['td', 'th'])
|
|
||||||
col_count = sum([int(col.get('colspan', 1)) for col in cols])
|
|
||||||
if col_count > max_cols:
|
|
||||||
max_cols = col_count
|
|
||||||
|
|
||||||
# 初始化一个二维列表来存储最终的表格
|
|
||||||
result_table = []
|
|
||||||
for _ in range(len(table_rows)):
|
|
||||||
result_table.append([None] * max_cols)
|
|
||||||
|
|
||||||
# 填充二维列表
|
|
||||||
for r, row in enumerate(table_rows):
|
|
||||||
cols = row.find_all(['td', 'th'])
|
|
||||||
c = 0
|
|
||||||
for col in cols:
|
|
||||||
while result_table[r][c] is not None:
|
|
||||||
c += 1
|
|
||||||
colspan = int(col.get('colspan', 1))
|
|
||||||
rowspan = int(col.get('rowspan', 1))
|
|
||||||
for i in range(rowspan):
|
|
||||||
for j in range(colspan):
|
|
||||||
# 拆分合并单元格时，重复内容
|
|
||||||
result_table[r + i][c + j] = copy.copy(col)
|
|
||||||
# if j == 0 and i == 0:
|
|
||||||
# result_table[r + i][c + j] = copy.copy(col)
|
|
||||||
# else:
|
|
||||||
# result_table[r + i][c + j] = soup.new_tag('td')
|
|
||||||
c += colspan
|
|
||||||
|
|
||||||
# 生成新的表格 HTML
|
|
||||||
new_table = soup.new_tag('table', border="1", cellspacing="0")
|
|
||||||
tbody = soup.new_tag('tbody')
|
|
||||||
new_table.append(tbody)
|
|
||||||
for row in result_table:
|
|
||||||
tr = soup.new_tag('tr')
|
|
||||||
for col in row:
|
|
||||||
if col is not None:
|
|
||||||
td = soup.new_tag(col.name)
|
|
||||||
td.string = col.get_text()
|
|
||||||
tr.append(td)
|
|
||||||
tbody.append(tr)
|
|
||||||
|
|
||||||
# 替换原始HTML中的旧表格
|
|
||||||
table.replace_with(new_table)
|
|
||||||
|
|
||||||
return str(soup), True
|
|
||||||
|
|
||||||
|
|
||||||
# Create shorthand method for conversion
|
|
||||||
def md(html, img_download_path, **options):
|
|
||||||
new_html, result = expand_html_table(html)
|
|
||||||
markdown_content = CustomMarkDownConverter(img_download_path, **options).convert(new_html)
|
|
||||||
# 删除换行符中间的空格
|
|
||||||
temp_txt = re.sub(r'\n\s*\n', '\n\n', markdown_content)
|
|
||||||
# 连续超过3个以上的换行符替换为3个
|
|
||||||
temp_txt = re.sub(r'\n{3,}', '\n\n\n', temp_txt)
|
|
||||||
return temp_txt
|
|
||||||
@@ -1,170 +0,0 @@
|
|||||||
import base64
|
|
||||||
import hashlib
|
|
||||||
import logging
|
|
||||||
import os
|
|
||||||
import re
|
|
||||||
import uuid
|
|
||||||
from urllib.parse import urljoin
|
|
||||||
import requests
|
|
||||||
|
|
||||||
|
|
||||||
def get_img_tag_url(img_tag):
|
|
||||||
|
|
||||||
# 提取图片url的正则表达式模式
|
|
||||||
pattern = r'\!\[.*?\]\((.*?)\)'
|
|
||||||
# 找到第一个匹配的链接
|
|
||||||
match = re.search(pattern, img_tag)
|
|
||||||
if not match:
|
|
||||||
return ""
|
|
||||||
|
|
||||||
# 获取匹配到的链接
|
|
||||||
link = match.group(1)
|
|
||||||
# 第0个为链接
|
|
||||||
link = link.split(" ")[0]
|
|
||||||
return link
|
|
||||||
|
|
||||||
|
|
||||||
# 填充img标签中的图片链接
|
|
||||||
# img_tag ''
|
|
||||||
# img_tag ''
|
|
||||||
def fill_img_url(img_tag):
|
|
||||||
"""
|
|
||||||
填充img标签中的图片链接。
|
|
||||||
|
|
||||||
参数:
|
|
||||||
img_tag (str): 原始的img标签
|
|
||||||
|
|
||||||
返回:
|
|
||||||
tuple: 修改后的img标签和图片的完整链接
|
|
||||||
"""
|
|
||||||
# 一个完整的img标签内删除换行符
|
|
||||||
img_tag = img_tag.replace("\n", "")
|
|
||||||
link = get_img_tag_url(img_tag)
|
|
||||||
if len(link) == 0:
|
|
||||||
return img_tag, ''
|
|
||||||
|
|
||||||
base_url = os.getenv("IMG_URL_PREFIX")
|
|
||||||
if "http:" in link:
|
|
||||||
# 图片为全链接，不替换
|
|
||||||
return img_tag, link
|
|
||||||
elif base_url:
|
|
||||||
# 补全图片链接
|
|
||||||
full_link = urljoin(base_url, link)
|
|
||||||
img_tag = img_tag.replace(link, full_link)
|
|
||||||
return img_tag, full_link
|
|
||||||
else:
|
|
||||||
return img_tag, ''
|
|
||||||
|
|
||||||
|
|
||||||
def download_picture(img_tag, download_path):
|
|
||||||
headers = {
|
|
||||||
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
|
|
||||||
'Chrome/94.0.4606.71 Safari/537.36 '
|
|
||||||
}
|
|
||||||
img_tag, img_url = fill_img_url(img_tag)
|
|
||||||
if img_url == '':
|
|
||||||
return img_tag
|
|
||||||
# if "_s" in img_tag:
|
|
||||||
# breakpoint()
|
|
||||||
file_name = img_url.split("/")[-1]
|
|
||||||
file_path = os.path.normpath(download_path + "\\" + file_name)
|
|
||||||
file_path = file_path.replace("\\", "/")
|
|
||||||
|
|
||||||
# 文件已经存在时不下载
|
|
||||||
if not os.path.exists(file_path):
|
|
||||||
img_date = requests.get(url=img_url, headers=headers).content
|
|
||||||
logging.info(f"图片下载成功：{img_url}")
|
|
||||||
with open(file_path, 'wb') as fp:
|
|
||||||
fp.write(img_date)
|
|
||||||
|
|
||||||
# img_tag中的url替换为下载的图片路径
|
|
||||||
return img_tag.replace(img_url, file_path)
|
|
||||||
|
|
||||||
|
|
||||||
def download_picture_from_other_url(img_tag, download_path):
|
|
||||||
headers = {
|
|
||||||
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
|
|
||||||
'Chrome/94.0.4606.71 Safari/537.36 '
|
|
||||||
}
|
|
||||||
img_tag, img_url = fill_img_url(img_tag)
|
|
||||||
# if "_s" in img_tag:
|
|
||||||
# breakpoint()
|
|
||||||
file_name = uuid.uuid4()
|
|
||||||
file_path = os.path.join(download_path, f"{file_name}.png")
|
|
||||||
file_path = os.path.normpath(file_path)
|
|
||||||
# 文件已经存在时不下载
|
|
||||||
if not os.path.exists(file_path):
|
|
||||||
try:
|
|
||||||
img_date = requests.get(url=img_url, headers=headers).content
|
|
||||||
with open(file_path, 'wb') as fp:
|
|
||||||
fp.write(img_date)
|
|
||||||
logging.info(f"图片下载成功：{img_url}")
|
|
||||||
except Exception as e:
|
|
||||||
logging.warning(f"img download error url:{img_url}")
|
|
||||||
return img_tag
|
|
||||||
|
|
||||||
# img_tag中的url替换为下载的图片路径
|
|
||||||
return img_tag.replace(img_url, file_path)
|
|
||||||
|
|
||||||
|
|
||||||
def extract_base64_from_data_uri(data_uri):
|
|
||||||
# 分割字符串以找到 base64 部分
|
|
||||||
parts = data_uri.split(',')
|
|
||||||
if len(parts) == 2 and parts[0].endswith('base64'):
|
|
||||||
# 移除后缀并返回 base64 值
|
|
||||||
return parts[1][:-1]
|
|
||||||
else:
|
|
||||||
return None
|
|
||||||
|
|
||||||
|
|
||||||
def picture_base64(img_tag, picture_save_path):
|
|
||||||
# 解码Base64字符串
|
|
||||||
# 
|
|
||||||
base64_str = extract_base64_from_data_uri(img_tag)
|
|
||||||
if picture_save_path is None or picture_save_path == "":
|
|
||||||
return ""
|
|
||||||
# 将图片内容做MD5 用作文件名
|
|
||||||
hash_object = hashlib.md5()
|
|
||||||
hash_object.update(base64_str.encode())
|
|
||||||
img_md5 = hash_object.hexdigest()
|
|
||||||
|
|
||||||
picture_save_path = picture_save_path + "\\%s.png" % img_md5
|
|
||||||
picture_save_path = os.path.normpath(picture_save_path)
|
|
||||||
picture_save_path = picture_save_path.replace("\\", "/")
|
|
||||||
|
|
||||||
# 文件已经存在时不重新保存
|
|
||||||
if not os.path.exists(picture_save_path):
|
|
||||||
decoded_string = base64.b64decode(base64_str)
|
|
||||||
with open(picture_save_path, 'wb') as fp:
|
|
||||||
fp.write(decoded_string)
|
|
||||||
|
|
||||||
# 修改img_tab的图片路径
|
|
||||||
match = re.search("\[(.*?)\]", img_tag)
|
|
||||||
result = ""
|
|
||||||
if match:
|
|
||||||
result = match.group(1)
|
|
||||||
if result == "":
|
|
||||||
return "" % picture_save_path
|
|
||||||
else:
|
|
||||||
return "![%s](%s \"%s\")" % (result, picture_save_path, result)
|
|
||||||
|
|
||||||
|
|
||||||
def process_img_tag(str_img_tag, img_path):
|
|
||||||
# 如果img标签指向的是本地磁盘路径 则忽略该标签返回空
|
|
||||||
if "file:///" in str_img_tag:
|
|
||||||
logging.warning(f"存在非法的链接地址：{str_img_tag}")
|
|
||||||
return ""
|
|
||||||
if img_path is None or img_path == "":
|
|
||||||
return ""
|
|
||||||
|
|
||||||
img_url = get_img_tag_url(str_img_tag)
|
|
||||||
if "data:image/png;base64" in str_img_tag:
|
|
||||||
return picture_base64(str_img_tag, img_path)
|
|
||||||
# (4696等存在指向外部链接的 img标签。 暂时保留不删除)
|
|
||||||
elif "http://" in str_img_tag or "https://" in str_img_tag:
|
|
||||||
return download_picture_from_other_url(str_img_tag, img_path)
|
|
||||||
elif not img_url.startswith("http"):
|
|
||||||
return download_picture(str_img_tag, img_path)
|
|
||||||
else:
|
|
||||||
logging.warning(f"未处理的图片标签：{str_img_tag}")
|
|
||||||
return str_img_tag
|
|
||||||
Reference in New Issue
Block a user