Créer une application native avec HTML CSS JS ET PHP
▻http://base2code.com/creer-une-application-native-avec-html-css-js-et-php
#electron.io et #PHP dans une même app, si un jour je dois refaire quelque chose du type de #DotSPIP
-
-
Aujourd’hui, (re-)découverte de quelques outils sympas pour traiter du texte :
#tika
TIKA est un logiciel libre écrit en Java, qui est capable de convertir à peu près n’importe quoi en HTML (ou texte). S’intègre facilement dans #DotSPIP.
L’installation avec brew (
brew install tika) a l’avantage de fournir aussi un raccourci pour la ligne de commande :tika -h file.pdf # conversion html
tika -t file.pdf # conversion texte
▻http://tika.apache.org
Un système libre d’#OCR, qui s’intègre facilement à tika.
brew install tesseract --all-languagestesseract -l fra file.jpg tmp && cat tmp.txt # OCR, fra = langue française
tika -t file.jpg # via tika
▻https://code.google.com/p/tesseract-ocr
Outil de #NLP (natural language processing), qui permet de faire, comme OpenCalais, de l’extraction de termes, lieux, de la détection de langue, etc. C’est un système propriétaire (IBM). L’API en PHP n’est pas difficile à utiliser. Il y a moyen d’avoir des clés gratuitement pour une utilisation réduite (1000 appels/j) si on s’engage à indiquer qu’on utilise ce système. Il existe un plugin pour Drupal (mais pas pour #SPIP).
▻https://github.com/AlchemyAPI
▻http://www.alchemyapi.com/products/demo/alchemylanguage
#sumy
création automatique de résumés de textes.
pip install sumyUtilisation (avec l’algo
edmundson) :sumy edmundson --url=http://www.monde-diplomatique.fr/1996/02/BRIE/5224
tika -t http://www.obsarm.org/publications/damocles/versionpdf/Damocles%2085.pdf | sumy lsa --length=3
(le dernier exemple : je demande à tika de télécharger le PDF de la revue Damoclès et d’en extraire le contenu, puis je passe le résultat à sumy qui en extrait trois lignes pertinentes)
►https://github.com/miso-belica/sumy
-
un équivalent de tika en python : #textract
▻https://textract.readthedocs.org
installation :pip install textract
usage :textract /path/to/file.xxx -
-
Sur le site du constructeur de paquet java Maven, j’ai trouvé hier des paquets JAR pré-compilés de toutes les dernières versions de Tika App et de Tika Server :
L’index de tous les trucs Tika :
▻http://repo1.maven.org/maven2/org/apache/tikaTika App :
▻http://repo1.maven.org/maven2/org/apache/tika/tika-app/1.10Tika Server :
▻http://repo1.maven.org/maven2/org/apache/tika/tika-server/1.10 -
Et du coup avec le vrai serveur REST, en mode serveur c’est :
java -jar tika-server-1.10.jarEt ensuite on envoie les fichiers en PUT sur plusieurs points d’entrées, suivant qu’on veut récupérer du texte, du HTML, du JSON même, ou juste les métadatas :
# En texte brut
curl -T truc.docx http://localhost:9998/tika --header "Accept: text/plain"
# En HTML
curl -T truc.docx http://localhost:9998/tika --header "Accept: text/html"La doc est ici :
▻http://wiki.apache.org/tika/TikaJAXRS -
Et aussi en complément, j’ai trouvé cette librairie PHP pour dialoguer avec Tika en version serveur (pas celui en shell) :
▻https://packagist.org/packages/vaites/php-apache-tika
▻https://github.com/vaites/php-apache-tika$client = \Vaites\ApacheTika\Client::make();
$text = $client->getText('/path/to/your/document'); -
-
pour accompagner #tesseract on peut essayer #pdfsandwich, spécialisé dans les scans de journaux ▻http://www.tobias-elze.de/pdfsandwich (je note ça parce que je viens de tomber dessus : pas testé)
-
Le dev est sur github maintenant
▻https://github.com/tesseract-ocr
▻https://github.com/tesseract-ocr/tesseract/wikiQuelques explications claires pour l’exemple d’une entrée en pdf de plusieurs pages images et en sortie un document pdf avec le texte reconnu et collé par dessus.
▻https://ryanfb.github.io/etc/2014/11/13/command_line_ocr_on_mac_os_x.htmlÉventuellement faire un
set TESSDATA_PREFIX="C :/Projects/project/Release/tessdata" -
Tutoriel pour récupérer le texte d’un pdf multipage avec #ImageMagick et #Tesseract (en passant par un fichier .tiff).
▻https://diging.atlassian.net/wiki/display/DCH/Tutorial%3A+Text+Extraction+and+OCR+with+Tesseract+and+ImageMagick
Testé avec succès pour convertir un scan de 80 pages, après avoir essayé en vain tous les logiciels possibles sur la logithèque #ubuntu (yagf, gimageReader et OCRFeeder).
-
-
Je viens de faire une mise à jour de mon #plugin pour #SPIP : Office2SPIP :
▻http://zone.spip.org/trac/spip-zone/browser/_plugins_/office2spipDocumenté ici :
►http://www.paris-beyrouth.org/tutoriaux-spip/article/le-convertisseur-office2spipAu menu :
– compatibilité minimal avec SPIP 3 (les redirections ne sont pas correctes, mais c’est pas super-grave) ;
– plus intéressant : quand on récupère une page distante, ça passe par la version PHP de Readability, on n’aspire donc que le contenu pertinent.Au fait : quelqu’un peut me dire s’il y a quelque chose d’autre pour faire la même chose avec SPIP ? Parce que, bon, c’est tout de même des fonctionnalités carrément démentes (importer des documents Word directement via l’interface en ligne ; importer des articles du Web et se retrouver directement avec du balisage SPIP tout propre…), mais je n’ai pas l’impression qu’Office2SPIP suscite vraiment l’intérêt. Il y a une alternative plus pratique/puissante ?
-
En fait c’est peut-être soit que les gens ont été formés au spipcode, soit qu’ils copient-collent dans du WYSIWYG (dans spip ou ailleurs, d’ailleurs).
-
ou peut être l’endroit de la documentation ? les gens vont chercher plus facilement sur spip-contrib peut être (ne pas voir une critique mais je vois les mêmes problématiques avec certains de mes plugins qui sont documentés autre part)
sinon aussi l’absence de plugins.spip.net qui est assez simple à changer en créant le zip via archivelist.txt
sinon encore, l’absence de lien de documentation dans le plugin.xml ?
Et finalement, la nécessité du binaire openoffice si je ne fais pas d’erreur ? ou d’autres binaires sur le serveur ? beaucoup de spip users sont quand même sur des hébergements bien fermés non ?
Voilà quelques pistes peut être du pourquoi du comment dont deux sont particulièrement faciles à régler
-
-
Peut-être parce qu’il n’y a pas tant de personne sous Mac que ça... :)
=> combiner le truc d’Arno et de Fil pour faire un #webservice avec une API utilisable depuis n’importe où : ainsi, pas de problème de système particulier, et pas non plus le problème de maîtrise du serveur pour le pékin moyen, qui n’aura pas besoin d’installer telle ou telle librairie. Ensuite faire un plugin SPIP qui utilise cette API, que chacun installe chez soi facilement. #idée_pour_SPIP. :)
-
je l’ai déjà faite cette API (▻http://office.rezo.net) mais jamais pris le temps de faire l’emballage
-
Si ce n’est pas sur spip contrib ça n’existe pas :-)
-
-
de façon tout à fait concurrente il y a le plugin odt2spip : ▻http://contrib.spip.net/odt2spip-creation-d-articles-a-partir-de-fichiers
– : n’accepte que du odt en format d’entrée*
+ : aucune config serveur spécifique
+ : gère les formules de maths intégrées dans le fichier odt*vu que le fonctionnement est basé une XSLT odt=>spip, l’ajout du format docx n’est que l’affaire de trouver un dev accepte de trifouiller du MSOffice... (beurk !)
-
@cy_altern, c’est fort possible que ça marche bien évidemment, mais je m’interroge sur la maintenance à long terme : maintenir soi-même des transformations XSLT pour un ou plusieurs formats, c’est super long et complexe, alors qu’il existe des logiciels ou librairies maintenues collectivement qui font déjà ces transformations (en plus en gérant plus de formats différents). C’est toujours le même problème, d’essayer d’utiliser des choses existantes (si ça fonctionne évidemment).
-
@RastaPopoulos : dans ce cas la XSLT fait la transformation XML format OpenDocument => langage SPIP , truc qui n’existe (à ma connaissance) nulle part ailleurs (le choix de ce plugin c’est d’éviter de faire XML => HTML => SPIP)
Pour ce qui est de la maintenance du convertisseur, il semblerait que les versions successives d’OpenOffice puis de LibreOffice n’ont jamais modifié le format du XML d’odt depuis que le plugin existe : la XSLT utilisée est restée inchangée depuis sa mise en fonction en 2009... -
-
-
Y’a un peu de code libéré ici : ▻http://zone.spip.org/trac/spip-zone/changeset/76826
à intégrer d’une manière ou d’une autre dans #mediaspip ... @severo risque de s’en charger
-
-
Ah, c’est quand on essaie de refondre un site IWEB en un vrai site, que l’on se rend compte du chemin parcouru pour que les sources soient claires et se distinguent correctement pour tout le monde !
Bravo à tout ceux qui oeuvrent pour de bonnes pratiques web, parce que l’esclavage ça suffit !
N’est-ce pas @notabene @tetue @rastapopoulos ?Quelle honte, ce machin infâme d’IWEB fait un énorme blougi boulga soit-disant si simple à utiliser pour un utilisateur lambda (en 98 peut-être). Il est purement impossible à exporter facilement, #Apple va planter ses utilisateurs en abandonnant ce truc crado (depuis cet été) surement parce que leurs devs chez eux n’arrivaient plus à s’y retrouver !
Par exemple, IWEB va s’amuser à créer un dossier pour chaque page, avec à l’intérieur ses css spécifiques, mais aussi du js, du xml, des images de mise en page, des fonds. Pour chaque page, oui, et avec une surcouche de widgets pour que les textes deviennent des images, plus drôles quand même. Ce qui au final donne 985 fichiers tous pareils pour le fond ! Le HTML est tellement lourd et sali qu’il faut espérer avoir le fichier domain.site généré en mode blog pour obtenir un rss qui n’accepte malheureusement de lister que 50 articles. Comment ? mystère ! Tout ça espérant qu’IWEB ne rende pas l’âme en criant des Warnings de partout !
-
À ce niveau-là, faut pas refondre, faut repartir à 0.
-
J’aurais bien aimé mais c’est impossible, il y a 300 articles importants à reprendre à la demande de l’association !
-
-
Pour pas mal de pages en fait je suis passée par la syndication avec importation des items en articles SPIP2 + un plugin que j’ai fabriqué qui se nomme Docker, qui est une interface pour importer les documents distants. J’ai installé SPIP3 par dessus.
▻http://zone.spip.org/trac/spip-zone/browser/_plugins_/docker
Mais pour les pages en dur d’habitude j’utilise memo.php d’un certain fil ;) ▻http://contrib.spip.net/Le-bouton-memo Sinon j’ai parfois dû récupérer à la main le contenu des alt des images des textes… pourquoi faire simple hein #apple ?
-
Ah ! et évidemment merci pour ►http://zzz.rezo.net/DotSPIP.html qui est très bien et à conseiller vraiment, il faut être en mac ceci dit.
-
-
Platypus | Sveinbjorn Thordarson
▻http://sveinbjorn.org/platypusPlatypus is a developer tool for the Mac OS X operating system. It creates native Mac OS X applications from interpreted scripts such as shell scripts or Perl, Ruby and Python programs. This is done by wrapping the script in an application bundle along with a native executable binary that runs the script.
-
