HTML2LaTeX

I write anything academic using a custom markup language based on KoMar wiki markup (which is itself based on Creole). The Python library is here. This library takes the KoMar and pumps out HTML; great for websites, questionable for publications.

I use LaTeX and pdflatex to make lovely-looking papers, so I needed a way to convert HTML (with some custom tags I added) to LaTeX and pump it into my existing template. Here’s the Python script I wrote to do that. It uses BeautifulSoup to parse the HTML in places, and spits out preambleless-LaTeX.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import re, os
from bs4 import BeautifulSoup

class HTML2LaTeX():

    def parse(self, inputhtml):
       
         latex_grammar = {
         '<h1>' :  r'\\part{',
         '</h1>' : r'}\n\n',
         '<h2>' : r'\\chapter{',
         '</h2>' : r'}\n\n',
         '<h3>' : r'\\section{',
         '</h3>' :  r'}\n\n',
         '<h4>' : r'\\subsection{',
         '</h4>' :  r'}\n\n',
         '<h5>' : r'\\subsubsection{',
         '</h6>' :  r'}\n\n',
         '<h6>' : r'\\paragraph{',
         '</h5>' :  r'}\n\n',
         '<em>' : r'\\emph{',
         '</em>' : r'}',
         '<sub>' : r'\\sbs{',
         '</sub>' : r'}',
         '<sup>' : r'\\sus{',
         '</sup>' : r'}',    
         '<del>' : r'\\sout{',
         '</del>' : r'}',
         '<strong>' : r'\\textbf{',
         '</strong>' : r'}',
         '<html>' :  r'\\begin{document}\n\n\n',
         '</html>' :  r'\n\\end{document}',
         '<code>' :  r'\\begin{lstlisting}\n',
         '</code>' :  r'\n\\end{lstlisting}\n\n',
         '<figure>' :  r'\\begin{figure}[htp]\n',
         '</figure>' :  r'\n\\end{figure}\n\n',
         '<img>' :  r'\\includegraphics{',
         '</img>' :  r'}\n',
         '<figcaption>' :  r'\\caption{',
         '</figcaption>' :  r'}\n',
         '<pre>' :  r'{',
         '</ pre>' :  r'}',
         '<span>' :  r'',
         '</span>' :  r'',  
         '<body>' :  r'',
         '</body>' :  r'',
         '<html>' :  r'',
         '</html>' :  r'',
         '<span>' :  r'',
         '</span>' :  r'',
         '<a>' :  r'',
         '</a>' :  r'',  
         '<u>' :  r'\\uline{',
         '</u>' :  r'}',
         '<url>' :  r'\\uline{',
         '</url>' :  r'}',
         '<ref>' :  r'\\hangindent=0.75cm \\noindent ',
         '</ref>' :  r'\\vspace{1em}',
         #'<refs>' :  r'\\begin{flushleft} ',
         #'</refs>' :  r'\\end{flushleft} ',            
         '<refs>' :  r' ',
         '</refs>' :  r' ',  
         '<b>' :  r'\\textbf{',
         '</b>' :  r'}',  
         '<p>' :  r'',
         '</p>' : r'\n\n',
         '<cite>' : r'\\textit{',
         '</cite>' : r'}',
         '<ul>' :  r'\\begin{tightemize}\n',
         '</ul>' :  r'\n\\end{tightemize}\n\n',
         '<ol>' :  r'\\begin{tightenumerate}\n',
         '</ol>' :  r'\n\\end{tightenumerate}\n\n',
         '<li>' :  r'\\item ',
         '</li>' :  '\n',
         '<blockquote>' :  r'\\begin{quote}\n',
         '</blockquote>' :  r'\n\\end{quote}\n\n',
         '<br />' :  '\\\\\n\n',    
         '<br/>' :  '\\\\\n\n',
         '<hr />' :  '\\hrule\n\n',
         '<hr/>' :  '\\hrule\n\n',
         '<flushright>' :  r'\\begin{flushright}\n',
         '</flushright>' :  r'\n\\end{flushright}\n\n',    
         '<flushcenter>' :  r'\\begin{center}\n',
         '</flushcenter>' :  r'\n\\end{center}\n\n',
         '<flushleft>' :  r'\\begin{flushleft}\n',
         '</flushleft>' :  r'\n\\end{flushleft}\n\n',
         '<footnote>' :  r'\\footnote{\n',
         '</footnote>' :  r'}\n\n',
         '<sloppy>' :  r'\\begin{sloppypar}',
         '</sloppy>' :  r'\\end{sloppypar}\n\n',
         '<!--' :  r'%',
         '-->' :  r'\n\n',
         # Check <pre>
         #TABLES

         }

         special_chars={
         r'&nbsp;' :  r'~',
         r'%' :  r'\%',
         r'&lt;' :  r'\textless',
         r'&gt;' :  r'\textgreater',
         r'&eacute;': r"\'{e}",
         r'&aacute;': r"\'{a}",
         r'&iacute;': r"\'{i}",
         r'&Aacute;': r"\'{A}",
         r'&dagger;' :  r'\dagger',
         r'&hellip;' :  r'\ldots ',
         r'&mdash;' :  r'---',
         r'&ndash;' :  r'--',
         r'&amp;' :  r'\&',    
         r'&ldquo;' :  r'``',    
         r'&rdquo;' :  r"''",    
         r'&lsquo;' :  r'`',    
         r'&rsquo;' :  r"'",  
         r'&para;' :  r"\P",
         r'&Ouml;' :  r'\"{O}',
         r'&ouml;' :  r'\"{o}',
         r'&auml;' :  r'\"{a}',
         r'&uuml;' :  r'\"{u}',
         r'&laquo;' :  r"\guillemotleft{}",
         r'&raquo;' :  r"\guillemotright{}",
         }
         
         # Use BeautifulSoup to tweak some tags
         soup = BeautifulSoup(inputhtml)
         
         for tag in soup.find_all(re.compile("[a-zA-Z0-9_]+")):
              # Get aligned paragraphs and shit aligned
              if (tag.name=="p"):
                   if (tag.get('style')=="text-align:right;"):
                        tag.name = "flushright"
                        del tag['style']
                   elif (tag.get('style')=="text-align:left;"):
                        tag.name = "flushleft"
                        del tag['style']
                   elif (tag.get('style')=="text-align:justify;"):
                        del tag['style']
                   elif (tag.get('style')=="text-align:center;"):
                        tag.name = "flushcenter"
                        del tag['style']
                       
              # Replace <a href="Fubar.com">Testy text.</a> with <a>Testy text. (<url>Fubar.com</url>)</a>        
              if (tag.name=="a"):
                   if (tag.string is not None):
                        if (tag.string == tag.get('href')):
                            tag.name="url"
                            del tag['href']
                        else:    
                            newtag = soup.new_tag("url")
                            newtag.string = tag.get('href')
                            tag.append(" (")
                            tag.append(newtag)
                            tag.append(") ")
                   tag.attrs = None
             
              # Take footnote text out of title and put into tag
              if (tag.name=="footnote"):
                   tag.string = tag.get('title')
                   tag.attrs = None          
                   
              # Remove all attributes from <span> tags so can be stripped by replace method
              # FOR NOW! Can use small/mid/large later
              if (tag.name=="span"):
                   tag.attrs = None
             
              # Insert images as <figure><img>./path/to/href</img><figcaption>alt_text</figcaption></figure>
              if (tag.name=="img"):
                   figure = soup.new_tag("figure")
                   if (os.path.isfile(tag.get('src'))):
                        src = soup.new_tag("img")
                        src.string = tag.get('src')
                        figure.append(src)
                   if (tag.get('alt') is not None):
                        caption = soup.new_tag("figcaption")
                        caption.string = tag.get('alt')
                        figure.append(caption)
                   tag.replace_with(figure)

         # Get HTML string from BeautifulSoup
         inputhtml = soup.encode(formatter="html").decode("utf-8")
         
         
         # Replace special HTML characters
         for char in special_chars.keys():
              try:
                  inputhtml = re.sub(char, special_chars[char], inputhtml)    
              except:
                  print("Substitution failed for %s. Trying replace..." % char)
                  #inputhtml = re.sub(char, re.escape(special_chars[char]), inputhtml)
                  #print(re.escape(special_chars[char]))
                  inputhtml = inputhtml.replace(char, special_chars[char])
                  print("Done!")
         
         # Replace HTML tags with LaTaX ones
         for tag in latex_grammar.keys():
              inputhtml = re.sub(tag, latex_grammar[tag], inputhtml)
                 
         return inputhtml


def main():
    return 0

if __name__ == '__main__':
    main()

Downloading Zotero Catalogue

I use Zotero to manage my references, and automatically insert them into text documents using a custom-built system (which I’ll share later).

However, I found that accessing my Zotero catalogue on an ad hod basis was incredibly slow, and didn’t want to mess around hacking to local SQLite record created by the Chrome plugin. So I wrote this Python script. It stores the catalogue metadata locally as a JSON-formatted text file (for fast access later), and when run only updates records which have been added or modified. Obviously the first run downloads the entire catalogue which takes ages, but subsequent updates are much quicker.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
#!/usr/bin/python

#from libZotero import zotero
import time, datetime
import json
import sys
sys.path.append( "/home/USERNAME/zotero/libZotero-master/lib/py/" ) # Add locally stored Zotero library - I think I got that from here... https://github.com/fcheslack/libZotero
from libZotero2 import zotero

def todatetuple(datestring):
    return time.strptime(datestring, u"%Y-%m-%dT%H:%M:%SZ")
   
def do10(i, lastupdated): # Download records in chunks of 10 - requirement of Zotero API
    global olditems
    zotitemlist = zlib.fetchItemsTop({'limit': 10, 'order': 'dateModified', 'sort': 'desc', 'start': i-1})
    for item in zotitemlist:
        if todatetuple(item.get('dateUpdated')) < lastupdated:
            print("Updates completed.")
            return 0
        else:  
            olditems[item.get('itemKey')] = item.pristine
            print("%s updated! Total of %s done so far..." % (item.get('itemKey'), i))
            i+=1
    return i
   
olditems = json.load( open( "/home/USERNAME/zotero/zotero.json", "rb" ) )

zlib = zotero.Library('user', 'ID', '<null>', 'ACCESS-CODE') # See https://www.zotero.org/settings/keys
collectionKey = None
i=1
lastupdated = todatetuple(olditems.pop('PICKLEDATE', None))
print("Performing updates since %s" % time.strftime("%Y-%m-%d %H:%M:%S", lastupdated))

zotkeylist = zlib.fetchItemKeys()
killlist=list()

for item in olditems:
    if olditems[item]['itemKey'] in zotkeylist:
        pass
    else:
        print("LOST ONE: %s (%s) - Marked to be deleted." % (olditems[item]['itemKey'], olditems[item]['itemKey']))
        killlist.append(olditems[item]['itemKey'])

j = 0
for item in killlist:
    del olditems[item]
    try:
        print("Delete failed! (%s)" % olditems[item])
    except KeyError:
        j+=1
   
print("Deleted %s items." % j)
   
while i > 0:
    i = do10(i,lastupdated)

savedate = datetime.datetime.now() - datetime.timedelta(hours = 1)
print("Saving update for %s" % savedate.strftime("%Y-%m-%d %H:%M:%S"))
olditems['PICKLEDATE'] = savedate.strftime("%Y-%m-%dT%H:%M:%SZ")

json.dump( olditems, open( "/home/USERNAME/zotero/zotero.json", "wb" ) )