Georges Racinet wrote:
On Oct 18, 2006, at 5:04 PM, Yves Bastide wrote:
Je vais voir comment corriger mon scrubHTML : soit rajouter des « tags
autorisés » à VALID_TAGS, soit, si c'est possible, remplacer les tags
inconnus par des <span>...
Ok, on reste à l'écoute
Ayé. En deux passes :
- boucle de recherche de balises ou attributs interdits (et réécrivant
l'éventuel <meta encoding>)
- transformation XSL supprimant les balises non agrées
Le résultat est comparable à celui de l'ancienne version, modulo des
différences de représentation de l'HTML
Dépendance sur lxml 1.0 : mon patch s'en occupe déjà
Parfait !
2b. j'attache aussi un word_to_text.py utilisant wvware : le mettre
dans PortalTransforms/transforms, modifier transforms/__init__.py
pour qu'il l'appelle, et l'ajouter sous la ZMI
On peut avoir ça aussi dans le ticket ? une source unique c'est plus
simple.
Oui... Dès que j'aurai fait écrit test... Et lxml 1.1 n'est encore ni
dans Debian, ni dans Ubuntu...
Hmh pour le coup ce serait pour 3.4.4, sauf si ça teste la version de
lxml et fait ce qu'il faut si c'est < 1.1
Ack. J'en ai une version qui utilise XSLT et marche avec lxml 1.0. Mais je
n'arrive toujours pas à exécuter des tests sous Zope 2.9 :-(
Quel est l'ordre de grandeur du gain au fait ?
Une centaine (A64 3400+) :
$ time wvHtml lang/c#/SpecificationVer2.doc /tmp/cs.html
real 0m1.839s
user 0m1.224s
sys 0m0.080s
$ ls -l /tmp/cs.html
-rw-r--r-- 1 1000 1000 558717 2006-10-23 18:12 /tmp/cs.html
>>> timeit.Timer("import utils; s =
utils.lxmlScrubHTML(open('/tmp/cs.html').read())", 'gc.enable()').timeit(10)
2.4693601131439209
>>> timeit.Timer("import utils; s =
utils.sgmllibScrubHTML(open('/tmp/cs.html').read())", 'gc.enable()').timeit(10)
237.51163792610168
Et getBodyText() prend la moitié du temps de lxmlScrubHTML().
_______________________________________________
cps-users-fr
Adresse de la liste : [email protected]
Gestion de l'abonnement : <http://lists.nuxeo.com/mailman/listinfo/cps-users-fr>
