-
Notifications
You must be signed in to change notification settings - Fork 0
/
HTMLtoImg.py
515 lines (450 loc) · 17 KB
/
HTMLtoImg.py
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
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
import io
import re
import textwrap
import math
import time
import glob
import sys
import os
from PIL import Image, ImageDraw, ImageFont
from bs4 import BeautifulSoup
class Cell:
"""Una clase para no tener que usar dict y hacer más legible el
código
Atributos
---------
colspan : int
Cuántas columnas ocupa la celda.
content : str
El contenido de la celda.
is_header : bool
True si se trata de la primera fila y querés que se destaque.
rowspan : int
Cuántas filas ocupa la celda.
css_width : str
Ancho de la celda. Es str porque incluyo las unidades.
row : int
Número de fila a la que pertenece la celda.
col : int
Número de columna a la que pertenece la celda.
"""
colspan = 1
content = ""
is_header = False
rowspan = 1
css_width = ""
row = 0
col = 0
class TableToIMG():
"""Una clase para parsear una tabla en HTML y generar una imagen.
Atributos
---------
font : ImageFont
Fuente a utilizar.
caption : str
Título de la tabla. Puede setearse manualmente, o utilizar el
que se encuentre en el HTML (este último tiene precedencia).
d : ImageDraw
Objeto mediante el cual se realizan todos los gráficos.
img : Image
Objeto que guarda todos los gráficos, y permite generar la
imagen final.
font_name : str
Path hacia la fuente TrueType que se quiera utilizar.
logo : str
Path hacia la imagen que se quiera utilizar como logo en el
footer (PNG, 100x100).
font_size : int
Tamaño de fuente normal. De éste derivan algunos de los
utilizados en el footer.
median_char_width : int
Valor utilizado para agilizar el cálculo del word wrap.
Representa el ancho medio de los caracteres en la fuente que se
está utilizando. Se setea automáticamente al llamar a __init__.
spaces_re : re
Objeto de expresión regular utilizado para eliminar espacios
innecesarios en el contenido de una celda. Lo pongo acá para no
tener que compilarlo con cada ciclo.
width_re : re
Objeto de expresión regular utilizado para obtener el ancho de
una celda a partir del HTML. Ídem spaces_re.
total_col_count : int
Cantidad total de columnas de la tabla. Se setea
automáticamente.
total_row_count : int
Cantidad total de filas de la tabla. Se setea automáticamente.
row_heights : list[<int>]
Lista con las alturas de cada fila. Se setea automáticamente.
col_widths : list[<int>]
Ídem, con los anchos de cada columna.
cells : list[<Cell>]
Lista de celdas.
caption_box_height : int
Altura, en píxeles, del título de la tabla.
table_width : int
Ancho del área reservada para la tabla.
table_height : int
Alto del área reservada para la tabla.
footer_box_height : int
Altura del área reservada para el footer.
img_width : int
Ancho de la imagen final.
img_height : int
Altura mínima de la imagen final. Se modifica si no entran todas
las filas en el área reservada para la tabla.
draw_borders : bool
Determina si dibujar o no los bordes de las celdas.
bg_color, fg_color, hd_color : (<int>, <int>, <int>)
Valor RGB de los colores a utilizar para el color de fondo, del
texto y de fondo de la primera fila, respectivamente.
img_format : str
Formato del archivo de salida. Tiene que ser soportado por PIL.
draw_footer : bool
Controla si dibujar o no el footer.
footer_line_n : str
Línea n del footer. La línea 2 utiliza el mismo tamaño de fuente
que el resto de la tabla, mientras que 1 y 3 son un poco más
pequeñas.
"""
font = None
caption = ""
d = None
img = None
font_name = ""
logo = ""
font_size = 24
median_char_width = 1
spaces_re = re.compile(r"(^\n)|(\n {2,})|(\n*$)|( {2,})", re.M)
width_re = re.compile(r"width:(.*);?", flags=re.I)
total_col_count = 0
total_row_count = 0
row_heights = []
col_widths = []
cells = []
caption_box_height = 100
table_width = 1800
table_height = 780
footer_box_height = 200
img_width = 1920
img_height = 1080
draw_borders = True
bg_color = (30, 30, 30)
fg_color = (211, 211, 211)
hd_color = (83, 149, 204) # Azul
img_format = "PNG"
draw_footer = True
footer_line_1 = ""
footer_line_2 = ""
footer_line_3 = ""
def GetImage(self, raw_html: str, img_width: int, img_height: int) -> bytes:
"""Devuelvo los bytes de una imagen generada a partir de una
tabla HTML.
Parámetros
----------
raw_html
Tabla HTML a parsear
img_width
Ancho de la imagen final
img_height
Altura mínima de la imagen final. Se modifica
automáticamente si no llegasen a entrar todas las filas.
"""
self._ResetObj()
self.img_height = img_height
self.img_width = img_width
self.table_height = img_height - self.caption_box_height - (0, self.footer_box_height)[self.draw_footer]
self.table_width = img_width - 100
self._CreateFontObj()
self._ParseHTML(raw_html)
self.img = Image.new(
"RGB", (self.img_width, self.img_height), self.bg_color)
self.d = ImageDraw.Draw(self.img)
self._DrawHeader()
self._DrawCells()
if self.draw_footer:
self._DrawFooter()
imgByteArr = io.BytesIO()
self.img.save(imgByteArr, self.img_format)
return imgByteArr.getvalue()
def _DrawFooter(self) -> None:
"""Dibujo el footer de la imagen.
"""
font_1 = ImageFont.truetype(self.font_name, self.font_size + 10)
font_2 = ImageFont.truetype(self.font_name, self.font_size)
x0 = 50
y0 = self.img_height - self.footer_box_height + 50
x1 = x0 + 100
y1 = y0 + 100
# Dibujo el logo
if os.path.exists(self.logo):
logo = Image.open(self.logo)
self.img.paste(self.fg_color, (x0, y0, x1, y1), logo)
else:
print("WARNING: No existe el archivo '%s'" % (self.logo))
# Dibujo la línea separadora
x0 = x1 + 10
self.d.line([x0, y0, x0, y1], fill=self.fg_color, width=1)
# Escribo el texto
# Primera linea
x0 = x0 + 11
self.d.text((x0, y0), self.footer_line_1, fill=self.fg_color, font=font_2)
# Segunda linea
y0 += font_2.getsize(self.footer_line_1)[1] + 2
self.d.text((x0, y0), self.footer_line_2, fill=self.fg_color, font=font_1)
# Tercera linea
y0 += font_1.getsize(self.footer_line_2)[1] + 2
self.d.text((x0, y0), self.footer_line_3, fill=self.fg_color, font=font_2)
return
def _DrawHeader(self) -> None:
header_font = ImageFont.truetype(self.font_name, self.font_size + 10)
header_text_dimensions = header_font.getsize_multiline(self.caption.upper())
if header_text_dimensions[1] > self.caption_box_height:
print("WARNING: Caption demasiado alto", file=sys.stderr)
x = int((self.img_width - header_text_dimensions[0]) / 2)
y = int((self.caption_box_height - header_text_dimensions[1]) / 2)
self.d.text([x, y], self.caption.upper(), font=header_font, fill=self.fg_color)
return
def _ResetObj(self) -> None:
"""Vuelvo a los valores por defecto del objeto.
"""
self.d = None
self.total_col_count = 0
self.total_row_count = 0
self.row_heights = []
self.col_widths = []
self.cells = []
return
def _CreateFontObj(self) -> None:
"""Creo el objeto de fuente según los atributos del objeto, y
calculo la media de ancho de los caracteres.
"""
# Creo la fuente
self.font = ImageFont.truetype(self.font_name, self.font_size)
# "b" representa el valor mediano de los caracteres
self.median_char_width = self.font.getsize("b")[0]
return
def _ParseHTML(self, raw_html: str) -> None:
"""Parseo HTML y vuelco el resultado en self.cells.
Parámetros
----------
raw_html : str
Tabla HTML a parsear.
"""
# Cuento cantidad de columnas, filas
# Lleno el objeto Cell
# Agrego valores a row_heights, col_widths
# Determino si es header
# Ajusto los anchos proporcionalmente
# Si el alto total de la tabla es demasiado, ajusto la dimensión
# de la imagen
parsed_html = BeautifulSoup(raw_html, features="html.parser")
rows = parsed_html.find_all("tr")
self.total_row_count = len(rows)
caption_obj = parsed_html.find("caption")
if caption_obj is not None:
self.caption = caption_obj.text
i = 0
j = 0
last_i = 0
for row in rows:
self.row_heights.append(0)
cells = row.find_all(["td", "th"])
for cell in cells:
if i != last_i:
# Cambiamos de fila
self.total_col_count = max(self.total_col_count, j)
j = 0
cell_obj = Cell()
if "colspan" in cell.attrs:
cell_obj.colspan = int(cell.attrs["colspan"])
if "rowspan" in cell.attrs:
cell_obj.rowspan = int(cell.attrs["rowspan"])
if "width" in cell.attrs:
cell.width = cell.attrs["width"]
if "style" in cell.attrs:
if cell.attrs["style"].find("width") != -1:
cell.width = self.width_re.findall(
cell.attrs["style"])[0]
cell_obj.content = cell.text
cell_obj.is_header = (cell.name == "th")
cell_obj.row = i
cell_obj.col = j
self.cells.append(cell_obj)
j += 1
last_i = i
i += 1
# Por si solo tenemos una fila
if j > self.total_col_count:
self.total_col_count = j
# Inicializo las listas
self.col_widths = [0] * self.total_col_count
self.row_heights = [0] * self.total_row_count
# Calculo las dimensiones de las celdas
last_i = 0
std_cell_width = int(self.table_width / self.total_col_count)
total_table_width = 0
accumulated_width = 0
for cell in self.cells:
if cell.row != last_i:
# Cambio de fila
total_table_width = max(total_table_width, accumulated_width)
accumulated_width = 0
width = self._ConvertToPx(cell.css_width)
if width == 0:
width = std_cell_width
# 1.3 convierte de pt a px
height = int(self.font_size * 1.3)
self.col_widths[cell.col] = max(
self.col_widths[cell.col], width)
self.row_heights[cell.row] = max(self.row_heights[cell.row], height)
accumulated_width += width
# Por si la tabla solo tiene una fila
if total_table_width == 0:
total_table_width = accumulated_width
# Formateo el texto y ajusto el alto de fila si corresponde
for cell in self.cells:
cell.content = self._FormatField(
cell.content, self.col_widths[cell.col] * cell.colspan)
self.row_heights[cell.row] = max(
self.row_heights[cell.row], self._GetCellHeight(cell.content))
# Si el alto total de la tabla supera el predeterminado:
if sum(self.row_heights) > self.table_height:
# Redimensiono la imagen
self.table_height = sum(self.row_heights)
self.img_height = self.caption_box_height + self.table_height + (50, self.footer_box_height)[self.draw_footer]
return
def _ConvertToPx(self, val: str) -> int:
"""Convierto un tamaño de CSS a un entero en px.
Parámetros
----------
val : str
Valor de CSS a convertir (ej.: "250pt")
"""
px = 0
if not len(val) == 0:
if "%" in val:
px = int(val[:-1]) * self.table_width / 100
else:
unit = val[-2:] # "100px" --> "px"
value = int(val[:-2].split(".")[0])
conversion_factors = {
"px": 1,
"in": 96,
"pt": 1.3,
"pc": 16,
"cm": 38,
"mm": 3.8,
"em": self.font_size,
"vw": self.table_width,
"vh": self.table_height
}
if unit in conversion_factors:
px = value * conversion_factors[unit]
else:
print("WARNING: No conozco la unidad '%s'" % (unit))
return int(px)
def _FormatField(self, text: str, width: int) -> str:
"""Elimino espacios de más, y hago el text wrap si es necesario.
Parámetros
----------
text : str
Texto de la celda.
width : int
Ancho (en píxeles) de la celda.
"""
text = text.replace(u"\xa0", "")
text = self.spaces_re.sub("", text)
if self._GetCellWidth(text) > width:
text = self._WrapText(text, width)
return text
def _DrawCells(self) -> None:
"""Dibujo las celdas de self.cells.
"""
# Para cada celda:
# Si isHeader:
# Dibujo el fondo de la celda
# Si DrawBorders:
# Dibujo el borde de la celda
# Dibujo el texto centrado en la celda
# Aumento los contadores de row, col
last_x = int((self.img_width - self.table_width) / 2)
last_y = self.caption_box_height
last_row = 0
for cell in self.cells:
if cell.row != last_row:
# Cambio de fila
last_x = int((self.img_width - self.table_width) / 2)
last_y = self.caption_box_height + sum(self.row_heights[0:cell.row])
x0 = last_x
y0 = last_y
x1 = x0 + self.col_widths[cell.col] * cell.colspan
y1 = y0 + self.row_heights[cell.row] * cell.rowspan
if cell.is_header:
self.d.rectangle([x0, y0, x1, y1], fill=self.hd_color)
if self.draw_borders:
self.d.rectangle([x0, y0, x1, y1], outline=self.fg_color)
self.d.text((x0, y0), cell.content,
fill=self.fg_color, font=self.font)
last_x = x1
last_row = cell.row
return
def _GetCellWidth(self, content: str) -> int:
"""Wrapper para _GetCellDimension
"""
return self._GetCellDimension(content, 0)
def _GetCellHeight(self, content: str) -> int:
"""Wrapper para _GetCellDimension
"""
return self._GetCellDimension(content, 1)
def _GetCellDimension(self, content: str, param=0) -> int:
"""Calculo la dimensión requerida para que entre el texto,
teniendo en cuenta la fuente y tamaño utilizados.
Parámetros
----------
content: str
Texto de la celda.
param : int
Dimensión a calcular. Valores permitidos: 0 (ancho),
1 (alto).
"""
return self.font.getsize_multiline(content)[param]
def _WrapText(self, text: str, width: int) -> str:
"""Hago el text wrap según qué tantos caracteres quepan en un
determinado ancho de celda.
Parámetros
----------
text : str
Texto de la celda.
width : int
Ancho de la celda.
"""
max_chars = self._GetMaxChars(width)
return "\n".join(textwrap.wrap(text, max_chars))
def _GetMaxChars(self, width: int) -> int:
"""Devuelvo la cantidad de caracteres que entran en un
determinado ancho de celda, según el tipo y tamaño de fuente.
Parámetros
----------
width : int
Ancho de la celda.
"""
cnt = max(math.floor(width / self.median_char_width), 1)
return cnt
if __name__ == "__main__":
t = TableToIMG()
t.font_name = "assets/Montserrat-Regular.ttf"
t.draw_footer = True
t.logo = "assets/logo.png"
t.footer_line_1 = "Twitter: @Test (cuenta no oficial)"
t.footer_line_2 = "Municipalidad de General Pueyrredón"
t.footer_line_3 = "Datos obtenidos de prueba"
for file in glob.glob("tests/*.html"):
print(file)
start = time.time()
with open(file, "rt") as fp:
html = fp.read()
t.caption = file
img = t.GetImage(html, 1920, 1080)
with open(file[:-4] + "png", "wb") as fp:
fp.write(img)
print("\tTerminado en %s s" % round(time.time() - start, 1))