[progliste] Re: Dé-HTML-iiser du texte

2017-04-15 Par sujet Jean-François Colas 

Hello Matt et tous,

De fait je ne l'ai pas encore essayé dans ce sens-là. Là où je suis un 
peu réticent à cette solution, c'est que ça nécessite... d'installer 
Pandoc. Or, si c'est bien le cas sur l'un des ordis où j'utilise 
régulièrement 6Pad++, ce n'est pas le cas de l'autre. Bon, pour 
l'instant, je dirais que là où j'aurais le plus besoin de faire des 
conversions serait justement l'ordi sur lequel Pandoc est installé. Donc 
ça tombe plutôt bien. Mais bon, bien qu'on doive tout faire selon le 
principe du 80-20... j'ai parfois du mal à m'y résoudre.


J.-F.


Le 14/04/2017 23:13, Mathieu Barbe a écrit :

Coucou JF,

as tu essayer pandoc?

Bon week-end

++ Math



Le 10/04/2017 à 20:41, Jean-François Colas a écrit :

Hello Abdel,

J'ai pu faire un petit essai. C'est pour moi une très bonne base de 
départ. Je n'ai pas le temps de l'affiner d'ici demain soir, ça 
repousse la suite de l'histoire au moment de ma reprise du boulot la 
semaine prochaine. Entre autres choses que je devrai me faire:
- Supprimer toute partie entre  et , ainsi que les 
éléments de CSS ou je ne sais quoi, faut que je voie ça de plus près.
- Remplacer les entités caractères, en tout cas un certain nombre 
comme  pour l'apostrophe, également le  incontournable, 
etc.


Mais tout ça me semble à ma portée, si je parviens à revenir en forme 
au boulot lol.


Encore un grand merci pour ce coup de pouce.

J.-F.


Le 06/04/2017 22:47, Abdel a écrit :


Coucou JF,

En complément de la réponse de Math, si j'ai bien sûr biencompris ta
demande, je te suggère une solution.

Tu dis :

Je me souviens bien d'un message qui me nargue, et qui parle de Pandoc
pour dé-html-iser simplement un document... Je ne suis pas certain
malgré tout que ce soit tout à fait ce dont j'aurais besoin.

Ma réponse :

Pandoc pour dé-html-iser un document?

En fait, en matière de conversion de format, pandoc peut te permettre
2 chose sur du HTML :

 1. Convertir le document en un autre format;
 2. Si le fichier html a été généré avec Pandoc,retrouver le code du
fichier md qui l'a généré, c'est le code que Math t'asenvoyé.



Remarque :

Pour la seconde conversion, tu peux même la faire sur des fichiers
html qui n'ont pas été générés avec Pandoc, maisle résultat sur le
fichier md généré ne permettra pas de reconstruire exactement le
document html de base.

Mais en lisant et relisant ton mail, sauf erreur de ma part, on dirait
que ces conversions ne sont pas vraiment ce que tu souhaites.

Si j'ai bien compris, tu souhaiterais pouvoir supprimer des balises
doubles, comme (p, h1, etc.), ou des balises uniques comme ().

Tu souhaiterais avoir la possibilité de pouvoir décider toi-même
quelles seraient les balises que tu souhaiterais enlever, mais garder
le texte qu'elles contiennent, dans le cas des balises doubles.

Est-ce bien cela, où suis-je à côté des mes godasses lol?

Si c'est bien cela, au lieu d'utiliser des modules externes à Python,
comme le célèbre BeautifulSoup
, html.parser
 


, etc., je t'oriente plutôt vers les regexp, qui font très bience
travail.

Tu trouveras en PJ, un petit module 6pad++.py, avec une fonction
filterHTML, qui s'exécute par le raccourci-clavier CTRL+F10.

Après avoir collé le fichier 6pad++.py dans ton répertoireoù se situe
l'exécutable de 6pad++, ouvres 6pad++ puis, avec CTRL+O, ouvres un
fichier html que tu souhaiterais modifier.

La commande CTRL+F10 génèrera alors, dans le même répertoire, un
fichier filterHtml.html, avec les balises , les balises de  à
, ainsi que les balises  qui auront été effacées, en
conservant le texte contenu dans les balises doubles bien entendu.

Je t'ai commenté le code, pour que tu puisses voir que grâce aux
regexp, tout est faisable, lol !

La regexp compilée rg capture les balises p et h1 à 6 ouvrante et
fermantes, mais tu pourras en ajouter si tu veux, selon les besoins,
en les mettant dans la ccapture \1, qui est aussi une référencearrière.

rg = re.compile(r'(?:(?i)<(h\d|p)>(.*?)())', re.S)

La regexp rg1 matche les balises .

rg1 = re.compile('')

La regexp rg2 matche toutes les balises html, sans exception, au cas
où on en aurait besoin.

Elle a été mise en commentaire.

#rg2 = re.compile('<[^>]*>')

La regexp rg3 match tous les sauts de lignes, au cas où.

rg3 = re.compile(r'^\r\n', re.M)

Ensuite, viennent les rg.sub, rg1.sub, etc., qui vont exécuter les
remplacements...

Teste et dis-moi si c'est bien ce que tu voulais...

Merci à toi.

Bien amicalement,
Abdel.


Le 05/04/2017 à 22:20, Jean-François Colas a écrit :

Hello la ML,

Je me souviens bien d'un message qui me nargue, et qui parle de
Pandoc pour dé-html-iser simplement un document... Je ne suis pas
certain malgré tout que ce soit tout à fait ce dont j'aurais besoin.
Il me faudrait

[progliste] Re: Dé-HTML-iiser du texte

2017-04-14 Par sujet Mathieu Barbe 

Coucou JF,

as tu essayer pandoc?

Bon week-end

++ Math



Le 10/04/2017 à 20:41, Jean-François Colas a écrit :

Hello Abdel,

J'ai pu faire un petit essai. C'est pour moi une très bonne base de 
départ. Je n'ai pas le temps de l'affiner d'ici demain soir, ça 
repousse la suite de l'histoire au moment de ma reprise du boulot la 
semaine prochaine. Entre autres choses que je devrai me faire:
- Supprimer toute partie entre  et , ainsi que les 
éléments de CSS ou je ne sais quoi, faut que je voie ça de plus près.
- Remplacer les entités caractères, en tout cas un certain nombre 
comme  pour l'apostrophe, également le  incontournable, etc.


Mais tout ça me semble à ma portée, si je parviens à revenir en forme 
au boulot lol.


Encore un grand merci pour ce coup de pouce.

J.-F.


Le 06/04/2017 22:47, Abdel a écrit :


Coucou JF,

En complément de la réponse de Math, si j'ai bien sûr biencompris ta
demande, je te suggère une solution.

Tu dis :

Je me souviens bien d'un message qui me nargue, et qui parle de Pandoc
pour dé-html-iser simplement un document... Je ne suis pas certain
malgré tout que ce soit tout à fait ce dont j'aurais besoin.

Ma réponse :

Pandoc pour dé-html-iser un document?

En fait, en matière de conversion de format, pandoc peut te permettre
2 chose sur du HTML :

 1. Convertir le document en un autre format;
 2. Si le fichier html a été généré avec Pandoc,retrouver le code du
fichier md qui l'a généré, c'est le code que Math t'asenvoyé.



Remarque :

Pour la seconde conversion, tu peux même la faire sur des fichiers
html qui n'ont pas été générés avec Pandoc, maisle résultat sur le
fichier md généré ne permettra pas de reconstruire exactement le
document html de base.

Mais en lisant et relisant ton mail, sauf erreur de ma part, on dirait
que ces conversions ne sont pas vraiment ce que tu souhaites.

Si j'ai bien compris, tu souhaiterais pouvoir supprimer des balises
doubles, comme (p, h1, etc.), ou des balises uniques comme ().

Tu souhaiterais avoir la possibilité de pouvoir décider toi-même
quelles seraient les balises que tu souhaiterais enlever, mais garder
le texte qu'elles contiennent, dans le cas des balises doubles.

Est-ce bien cela, où suis-je à côté des mes godasses lol?

Si c'est bien cela, au lieu d'utiliser des modules externes à Python,
comme le célèbre BeautifulSoup
, html.parser
 


, etc., je t'oriente plutôt vers les regexp, qui font très bience
travail.

Tu trouveras en PJ, un petit module 6pad++.py, avec une fonction
filterHTML, qui s'exécute par le raccourci-clavier CTRL+F10.

Après avoir collé le fichier 6pad++.py dans ton répertoireoù se situe
l'exécutable de 6pad++, ouvres 6pad++ puis, avec CTRL+O, ouvres un
fichier html que tu souhaiterais modifier.

La commande CTRL+F10 génèrera alors, dans le même répertoire, un
fichier filterHtml.html, avec les balises , les balises de  à
, ainsi que les balises  qui auront été effacées, en
conservant le texte contenu dans les balises doubles bien entendu.

Je t'ai commenté le code, pour que tu puisses voir que grâce aux
regexp, tout est faisable, lol !

La regexp compilée rg capture les balises p et h1 à 6 ouvrante et
fermantes, mais tu pourras en ajouter si tu veux, selon les besoins,
en les mettant dans la ccapture \1, qui est aussi une référencearrière.

rg = re.compile(r'(?:(?i)<(h\d|p)>(.*?)())', re.S)

La regexp rg1 matche les balises .

rg1 = re.compile('')

La regexp rg2 matche toutes les balises html, sans exception, au cas
où on en aurait besoin.

Elle a été mise en commentaire.

#rg2 = re.compile('<[^>]*>')

La regexp rg3 match tous les sauts de lignes, au cas où.

rg3 = re.compile(r'^\r\n', re.M)

Ensuite, viennent les rg.sub, rg1.sub, etc., qui vont exécuter les
remplacements...

Teste et dis-moi si c'est bien ce que tu voulais...

Merci à toi.

Bien amicalement,
Abdel.


Le 05/04/2017 à 22:20, Jean-François Colas a écrit :

Hello la ML,

Je me souviens bien d'un message qui me nargue, et qui parle de
Pandoc pour dé-html-iser simplement un document... Je ne suis pas
certain malgré tout que ce soit tout à fait ce dont j'aurais besoin.
Il me faudrait quelque chose capable de traiter tout, OU PARTIE, d'un
document.

Existerait-il alors peut-être quelque chose en Python qui pourrait me
permettre d'envisager la récupération du contenu des balises, tout en
me débarrassant des balises elles-mêmes, afin de faire un
dé-html-iseur sans prétention, hormis celle de se glisser dansdes
utilitaires personnels pour 6Pad? Si malgré tout je pouvais
discriminer certaines balises, pour autant que j'y songe rapidement,
 ou  ou peut-être les  à , mais pas énormément au-delà.

Merci,
J.-F.


Progliste :
Pour se d�sinscrire de la liste :

[progliste] Re: Dé-HTML-iiser du texte

2017-04-10 Par sujet Jean-François Colas 

Hello Abdel,

J'ai pu faire un petit essai. C'est pour moi une très bonne base de 
départ. Je n'ai pas le temps de l'affiner d'ici demain soir, ça repousse 
la suite de l'histoire au moment de ma reprise du boulot la semaine 
prochaine. Entre autres choses que je devrai me faire:
- Supprimer toute partie entre  et , ainsi que les éléments 
de CSS ou je ne sais quoi, faut que je voie ça de plus près.
- Remplacer les entités caractères, en tout cas un certain nombre comme 
 pour l'apostrophe, également le  incontournable, etc.


Mais tout ça me semble à ma portée, si je parviens à revenir en forme au 
boulot lol.


Encore un grand merci pour ce coup de pouce.

J.-F.


Le 06/04/2017 22:47, Abdel a écrit :


Coucou JF,

En complément de la réponse de Math, si j'ai bien sûr biencompris ta
demande, je te suggère une solution.

Tu dis :

Je me souviens bien d'un message qui me nargue, et qui parle de Pandoc
pour dé-html-iser simplement un document... Je ne suis pas certain
malgré tout que ce soit tout à fait ce dont j'aurais besoin.

Ma réponse :

Pandoc pour dé-html-iser un document?

En fait, en matière de conversion de format, pandoc peut te permettre
2 chose sur du HTML :

 1. Convertir le document en un autre format;
 2. Si le fichier html a été généré avec Pandoc,retrouver le code du
fichier md qui l'a généré, c'est le code que Math t'asenvoyé.



Remarque :

Pour la seconde conversion, tu peux même la faire sur des fichiers
html qui n'ont pas été générés avec Pandoc, maisle résultat sur le
fichier md généré ne permettra pas de reconstruire exactement le
document html de base.

Mais en lisant et relisant ton mail, sauf erreur de ma part, on dirait
que ces conversions ne sont pas vraiment ce que tu souhaites.

Si j'ai bien compris, tu souhaiterais pouvoir supprimer des balises
doubles, comme (p, h1, etc.), ou des balises uniques comme ().

Tu souhaiterais avoir la possibilité de pouvoir décider toi-même
quelles seraient les balises que tu souhaiterais enlever, mais garder
le texte qu'elles contiennent, dans le cas des balises doubles.

Est-ce bien cela, où suis-je à côté des mes godasses lol?

Si c'est bien cela, au lieu d'utiliser des modules externes à Python,
comme le célèbre BeautifulSoup
, html.parser

, etc., je t'oriente plutôt vers les regexp, qui font très bience
travail.

Tu trouveras en PJ, un petit module 6pad++.py, avec une fonction
filterHTML, qui s'exécute par le raccourci-clavier CTRL+F10.

Après avoir collé le fichier 6pad++.py dans ton répertoireoù se situe
l'exécutable de 6pad++, ouvres 6pad++ puis, avec CTRL+O, ouvres un
fichier html que tu souhaiterais modifier.

La commande CTRL+F10 génèrera alors, dans le même répertoire, un
fichier filterHtml.html, avec les balises , les balises de  à
, ainsi que les balises  qui auront été effacées, en
conservant le texte contenu dans les balises doubles bien entendu.

Je t'ai commenté le code, pour que tu puisses voir que grâce aux
regexp, tout est faisable, lol !

La regexp compilée rg capture les balises p et h1 à 6 ouvrante et
fermantes, mais tu pourras en ajouter si tu veux, selon les besoins,
en les mettant dans la ccapture \1, qui est aussi une référencearrière.

rg = re.compile(r'(?:(?i)<(h\d|p)>(.*?)())', re.S)

La regexp rg1 matche les balises .

rg1 = re.compile('')

La regexp rg2 matche toutes les balises html, sans exception, au cas
où on en aurait besoin.

Elle a été mise en commentaire.

#rg2 = re.compile('<[^>]*>')

La regexp rg3 match tous les sauts de lignes, au cas où.

rg3 = re.compile(r'^\r\n', re.M)

Ensuite, viennent les rg.sub, rg1.sub, etc., qui vont exécuter les
remplacements...

Teste et dis-moi si c'est bien ce que tu voulais...

Merci à toi.

Bien amicalement,
Abdel.


Le 05/04/2017 à 22:20, Jean-François Colas a écrit :

Hello la ML,

Je me souviens bien d'un message qui me nargue, et qui parle de
Pandoc pour dé-html-iser simplement un document... Je ne suis pas
certain malgré tout que ce soit tout à fait ce dont j'aurais besoin.
Il me faudrait quelque chose capable de traiter tout, OU PARTIE, d'un
document.

Existerait-il alors peut-être quelque chose en Python qui pourrait me
permettre d'envisager la récupération du contenu des balises, tout en
me débarrassant des balises elles-mêmes, afin de faire un
dé-html-iseur sans prétention, hormis celle de se glisser dansdes
utilitaires personnels pour 6Pad? Si malgré tout je pouvais
discriminer certaines balises, pour autant que j'y songe rapidement,
 ou  ou peut-être les  à , mais pas énormément au-delà.

Merci,
J.-F.


Progliste :
Pour se d�sinscrire de la liste :
mailto:progliste-requ...@ml.free.fr?subject=unsubscribe

Pour voir les archives de la liste :
http://www.mail-archive.com/progliste@ml.free.fr/

Je vous rappelle que les

[progliste] Re: Dé-HTML-iiser du texte

2017-04-07 Par sujet Jean-François Colas 

Hello Abdel et tous,

Merci bien, je suis content que tu te sois senti inspiré. En relisant 
ton mail, il me semble que tu as bien pigé mon besoin. Il faut 
absolument que je parvienne à tester ça dans les deux premiers jours de 
la semaine prochaine, sur un poste à braille, avant mes holidays... En 
fait, ma "cible" principale, c'est le texte de mails écrits en html et 
que je préfère, à des fins d'archivage, convertir et garder en texte. 
c'est pourquoi il ne s'agit pas(ou très rarement)  de fichier entier.


Je te redonne des news dès que possible.

J.-F.

Le 06/04/2017 22:47, Abdel a écrit :


Coucou JF,

En complément de la réponse de Math, si j'ai bien sûr bien compris ta 
demande, je te suggère une solution.


Tu dis :

Je me souviens bien d'un message qui me nargue, et qui parle de Pandoc 
pour dé-html-iser simplement un document... Je ne suis pas certain 
malgré tout que ce soit tout à fait ce dont j'aurais besoin.


Ma réponse :

Pandoc pour dé-html-iser un document?

En fait, en matière de conversion de format, pandoc peut te permettre 
2 chose sur du HTML :


   1. Convertir le document en un autre format;
   2. Si le fichier html a été généré avec Pandoc, retrouver le code
  du fichier md qui l'a généré, c'est le code que Math t'as envoyé.



Remarque :

Pour la seconde conversion, tu peux même la faire sur des fichiers 
html qui n'ont pas été générés avec Pandoc, mais le résultat sur le 
fichier md généré ne permettra pas de reconstruire exactement le 
document html de base.


Mais en lisant et relisant ton mail, sauf erreur de ma part, on dirait 
que ces conversions ne sont pas vraiment ce que tu souhaites.


Si j'ai bien compris, tu souhaiterais pouvoir supprimer des balises 
doubles, comme (p, h1, etc.), ou des balises uniques comme ().


Tu souhaiterais avoir la possibilité de pouvoir décider toi-même 
quelles seraient les balises que tu souhaiterais enlever, mais garder 
le texte qu'elles contiennent, dans le cas des balises doubles.


Est-ce bien cela, où suis-je à côté des mes godasses lol?

Si c'est bien cela, au lieu d'utiliser des modules externes à Python, 
comme le célèbre BeautifulSoup 
, html.parser 
 
, etc., je t'oriente plutôt vers les regexp, qui font très bien ce 
travail.


Tu trouveras en PJ, un petit module 6pad++.py, avec une fonction 
filterHTML, qui s'exécute par le raccourci-clavier CTRL+F10.


Après avoir collé le fichier 6pad++.py dans ton répertoire où se situe 
l'exécutable de 6pad++, ouvres 6pad++ puis, avec CTRL+O, ouvres un 
fichier html que tu souhaiterais modifier.


La commande CTRL+F10 génèrera alors, dans le même répertoire, un 
fichier filterHtml.html, avec les balises , les balises de  à 
, ainsi que les balises  qui auront été effacées, en 
conservant le texte contenu dans les balises doubles bien entendu.


Je t'ai commenté le code, pour que tu puisses voir que grâce aux 
regexp, tout est faisable, lol !


La regexp compilée rg capture les balises p et h1 à 6 ouvrante et 
fermantes, mais tu pourras en ajouter si tu veux, selon les besoins, 
en les mettant dans la ccapture \1, qui est aussi une référence arrière.


rg = re.compile(r'(?:(?i)<(h\d|p)>(.*?)())', re.S)

La regexp rg1 matche les balises .

rg1 = re.compile('')

La regexp rg2 matche toutes les balises html, sans exception, au cas 
où on en aurait besoin.


Elle a été mise en commentaire.

#rg2 = re.compile('<[^>]*>')

La regexp rg3 match tous les sauts de lignes, au cas où.

rg3 = re.compile(r'^\r\n', re.M)

Ensuite, viennent les rg.sub, rg1.sub, etc., qui vont exécuter les 
remplacements...


Teste et dis-moi si c'est bien ce que tu voulais...

Merci à toi.

Bien amicalement,
Abdel.


Le 05/04/2017 à 22:20, Jean-François Colas a écrit :

Hello la ML,

Je me souviens bien d'un message qui me nargue, et qui parle de 
Pandoc pour dé-html-iser simplement un document... Je ne suis pas 
certain malgré tout que ce soit tout à fait ce dont j'aurais besoin. 
Il me faudrait quelque chose capable de traiter tout, OU PARTIE, d'un 
document.


Existerait-il alors peut-être quelque chose en Python qui pourrait me 
permettre d'envisager la récupération du contenu des balises, tout en 
me débarrassant des balises elles-mêmes, afin de faire un 
dé-html-iseur sans prétention, hormis celle de se glisser dans des 
utilitaires personnels pour 6Pad? Si malgré tout je pouvais 
discriminer certaines balises, pour autant que j'y songe rapidement, 
 ou  ou peut-être les  à , mais pas énormément au-delà.


Merci,
J.-F.


Progliste :
Pour se d�sinscrire de la liste : 
mailto:progliste-requ...@ml.free.fr?subject=unsubscribe


Pour voir les archives de la liste :
http://www.mail-archive.com/progliste@ml.free.fr/

Je vous rappelle que les pi�ces jointe sont activ�s leur taille

[progliste] Re: Dé-HTML-iiser du texte

2017-04-06 Par sujet Abdel 

Coucou JF,

En complément de la réponse de Math, si j'ai bien sûr bien compris ta 
demande, je te suggère une solution.


Tu dis :

Je me souviens bien d'un message qui me nargue, et qui parle de Pandoc 
pour dé-html-iser simplement un document... Je ne suis pas certain 
malgré tout que ce soit tout à fait ce dont j'aurais besoin.


Ma réponse :

Pandoc pour dé-html-iser un document?

En fait, en matière de conversion de format, pandoc peut te permettre 2 
chose sur du HTML :


1. Convertir le document en un autre format;
2. Si le fichier html a été généré avec Pandoc, retrouver le code du
   fichier md qui l'a généré, c'est le code que Math t'as envoyé.



Remarque :

Pour la seconde conversion, tu peux même la faire sur des fichiers html 
qui n'ont pas été générés avec Pandoc, mais le résultat sur le fichier 
md généré ne permettra pas de reconstruire exactement le document html 
de base.


Mais en lisant et relisant ton mail, sauf erreur de ma part, on dirait 
que ces conversions ne sont pas vraiment ce que tu souhaites.


Si j'ai bien compris, tu souhaiterais pouvoir supprimer des balises 
doubles, comme (p, h1, etc.), ou des balises uniques comme ().


Tu souhaiterais avoir la possibilité de pouvoir décider toi-même quelles 
seraient les balises que tu souhaiterais enlever, mais garder le texte 
qu'elles contiennent, dans le cas des balises doubles.


Est-ce bien cela, où suis-je à côté des mes godasses lol?

Si c'est bien cela, au lieu d'utiliser des modules externes à Python, 
comme le célèbre BeautifulSoup 
, html.parser 
 
, etc., je t'oriente plutôt vers les regexp, qui font très bien ce travail.


Tu trouveras en PJ, un petit module 6pad++.py, avec une fonction 
filterHTML, qui s'exécute par le raccourci-clavier CTRL+F10.


Après avoir collé le fichier 6pad++.py dans ton répertoire où se situe 
l'exécutable de 6pad++, ouvres 6pad++ puis, avec CTRL+O, ouvres un 
fichier html que tu souhaiterais modifier.


La commande CTRL+F10 génèrera alors, dans le même répertoire, un fichier 
filterHtml.html, avec les balises , les balises de  à , ainsi 
que les balises  qui auront été effacées, en conservant le texte 
contenu dans les balises doubles bien entendu.


Je t'ai commenté le code, pour que tu puisses voir que grâce aux regexp, 
tout est faisable, lol !


La regexp compilée rg capture les balises p et h1 à 6 ouvrante et 
fermantes, mais tu pourras en ajouter si tu veux, selon les besoins, en 
les mettant dans la ccapture \1, qui est aussi une référence arrière.


rg = re.compile(r'(?:(?i)<(h\d|p)>(.*?)())', re.S)

La regexp rg1 matche les balises .

rg1 = re.compile('')

La regexp rg2 matche toutes les balises html, sans exception, au cas où 
on en aurait besoin.


Elle a été mise en commentaire.

#rg2 = re.compile('<[^>]*>')

La regexp rg3 match tous les sauts de lignes, au cas où.

rg3 = re.compile(r'^\r\n', re.M)

Ensuite, viennent les rg.sub, rg1.sub, etc., qui vont exécuter les 
remplacements...


Teste et dis-moi si c'est bien ce que tu voulais...

Merci à toi.

Bien amicalement,
Abdel.


Le 05/04/2017 à 22:20, Jean-François Colas a écrit :

Hello la ML,

Je me souviens bien d'un message qui me nargue, et qui parle de Pandoc 
pour dé-html-iser simplement un document... Je ne suis pas certain 
malgré tout que ce soit tout à fait ce dont j'aurais besoin. Il me 
faudrait quelque chose capable de traiter tout, OU PARTIE, d'un document.


Existerait-il alors peut-être quelque chose en Python qui pourrait me 
permettre d'envisager la récupération du contenu des balises, tout en 
me débarrassant des balises elles-mêmes, afin de faire un 
dé-html-iseur sans prétention, hormis celle de se glisser dans des 
utilitaires personnels pour 6Pad? Si malgré tout je pouvais 
discriminer certaines balises, pour autant que j'y songe rapidement, 
 ou  ou peut-être les  à , mais pas énormément au-delà.


Merci,
J.-F.


Progliste :
Pour se d�sinscrire de la liste : 
mailto:progliste-requ...@ml.free.fr?subject=unsubscribe


Pour voir les archives de la liste :
http://www.mail-archive.com/progliste@ml.free.fr/

Je vous rappelle que les pi�ces jointe sont activ�s leur taille est 
limit� � 2 MO

Pour acc�der aux fichiers de la liste
http://outils.archive-host.com/partage.php?id=2Qar9Hy6ftzr
Ou en utilisant la nouvelle page de partage :
http://outils-n.archive-host.com/partage-fm0m7b947vglikp9Efpso94gt
Pour y ajouter des fichiers demandez-moi le ou sur la liste ou en 
priv�, je vous r�pondrez en priv�.






import sixpad as sp # importation du module sixpad.

def filterHTML():
"""Fonction permettant de filtrer le code html selon les besoins."""
text = sp.window.curPage.text # On sauvegarde le texte du fichier html 
courant.
path=sp.window.curPage.file # on stocke son chemin.
name = sp.window.curPage.name # On stocke son nom.
ext =

[progliste] Re: Dé-HTML-iiser du texte

2017-04-06 Par sujet Mathieu Barbe 

Salut,
je penses que Pandoc pourrait faire ton affaire.

exemple de commande :

pandoc -o out.md index.html

avec mardown je te conseil l'option "--atx-headers" à ajouter pour avoir 
les titres du niveau 1 et 2 sous forme classique avec les # en début de 
ligne.


Bonne essai.
Mathieu

Le 05/04/2017 à 22:20, Jean-François Colas a écrit :

Hello la ML,

Je me souviens bien d'un message qui me nargue, et qui parle de Pandoc
pour dé-html-iser simplement un document... Je ne suis pas certain
malgré tout que ce soit tout à fait ce dont j'aurais besoin. Il me
faudrait quelque chose capable de traiter tout, OU PARTIE, d'un document.

Existerait-il alors peut-être quelque chose en Python qui pourrait me
permettre d'envisager la récupération du contenu des balises, tout en me
débarrassant des balises elles-mêmes, afin de faire un dé-html-iseur
sans prétention, hormis celle de se glisser dans des utilitaires
personnels pour 6Pad? Si malgré tout je pouvais discriminer certaines
balises, pour autant que j'y songe rapidement,  ou  ou peut-être
les  à , mais pas énormément au-delà.

Merci,
J.-F.


Progliste :
Pour se d�sinscrire de la liste :
mailto:progliste-requ...@ml.free.fr?subject=unsubscribe

Pour voir les archives de la liste :
http://www.mail-archive.com/progliste@ml.free.fr/

Je vous rappelle que les pi�ces jointe sont activ�s leur taille est
limit� � 2 MO
Pour acc�der aux fichiers de la liste
http://outils.archive-host.com/partage.php?id=2Qar9Hy6ftzr
Ou en utilisant la nouvelle page de partage :
http://outils-n.archive-host.com/partage-fm0m7b947vglikp9Efpso94gt
Pour y ajouter des fichiers demandez-moi le ou sur la liste ou en priv�,
je vous r�pondrez en priv�.



Progliste :
Pour se d�sinscrire de la liste : 
mailto:progliste-requ...@ml.free.fr?subject=unsubscribe

Pour voir les archives de la liste :
http://www.mail-archive.com/progliste@ml.free.fr/   

Je vous rappelle que les pièces jointe sont activés leur taille est limité à 2 MO 


Pour acc�der aux fichiers de la liste
http://outils.archive-host.com/partage.php?id=2Qar9Hy6ftzr
Ou en utilisant la nouvelle page de partage :
http://outils-n.archive-host.com/partage-fm0m7b947vglikp9Efpso94gt
Pour y ajouter des fichiers demandez-moi le ou sur la liste ou en priv�, je 
vous r�pondrez en priv�.