pythontextunicodeelggunicode-normalization

Compare two texts


In order to validate a migration tool, I want to compare two texts, one of the source A the other from the target tool B. To populate B, I'm using a reste API JSON-Based. B applies some "transformations" on the text that i don't know exactly what.

Here is the snippet of my code that i'm using:

  bkclient = Client()
  for mapping in BkMapping.select(): #get all objects
    entity = Elgg_Entities.get(Elgg_Entities.guid == mapping.elgg_id)
    if entity.subtype == 5:#postopic
      pass
    else:
      elgg_desc = unicodedata.normalize("NFKD", entity.entity.description)
      bk_content = unicodedata.normalize("NFKD", bkclient.get_post(mapping.bkid).get("data").get('content'))

      if resume(bk_content) == resume(elgg_desc):
        pass
      else:
        print('bk content')
        print(bk_content)
        print("elgg content")
        print(elgg_desc)
        input('continue...')

As result:

#### bk content (B) ######
<p>Bonjour à tous,</p>
<p>Je souhaite récolter des informations sur les actions menées en faveur des Seniors au sein du Groupe.</p>
<p>Si vous menez ou avez mené des actions en faveur des seniors et de leur insertion, pourriez-vous m’en faire part. Si je peux avoir des retours d’ici demain matin, ce serait super ! Merci d’avance de vos retours.</p>
######### elgg content (A) #########
<p>Bonjour &agrave; tous,</p>

<p>Je souhaite r&eacute;colter des informations sur les actions men&eacute;es en faveur des Seniors au sein du Groupe.</p>

<p>Si vous menez ou avez men&eacute; des actions en faveur des seniors et de leur insertion, pourriez-vous m&rsquo;en faire part. Si je peux avoir des retours d&rsquo;ici demain matin, ce serait super&nbsp;! Merci d&rsquo;avance de vos retours.</p>

So, I looking for a tool to make a hash of those texts which deals with accents <=>html entities, spaces, etc.


Solution

  • Found out how to do, BeautifulSoup can decode html entities :

    def remove_accents(input_str):
        nkfd_form = unicodedata.normalize('NFKD', input_str)
        only_ascii = nkfd_form.encode('ASCII', 'ignore')
        return only_ascii
    
    def normalize(text):
      text = re.sub(r'\s+', '', str(BeautifulSoup(text)), flags = re.MULTILINE)
      return str(remove_accents(text))
    
    def compare_text(s1, s2):
      s1 = normalize(s1.lower())
      s2 = normalize(s2.lower())
      l1 = len(s1)
      l2 = len(s2)
      if l1 == l2:
        return  s1 == s2
      return False
    
    t1="""      
    <p>Bonjour à tous,</p>
    <p>Je souhaite récolter des informations sur les actions menées en faveur des Seniors au sein du Groupe.</p>
    <p>Si vous menez ou avez mené des actions en faveur des seniors et de leur insertion, pourriez-vous m’en faire part. Si je peux avoir des retours d’ici demain matin, ce serait super ! Merci d’avance de vos retours.</p>
    """
    t2="""
    <p>Bonjour &agrave; tous,</p>
    
    <p>Je souhaite r&eacute;colter des informations sur les actions men&eacute;es en faveur des Seniors au sein du Groupe.</p>
    
    <p>Si vous menez ou avez men&eacute; des actions en faveur des seniors et de leur insertion, pourriez-vous m&rsquo;en faire part. Si je peux avoir des retours d&rsquo;ici demain matin, ce serait super&nbsp;! Merci d&rsquo;avance de vos retours.</p>  
    """
    
    print(compare_text(t1, t2))
    True