Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by Broytman. Copyright (C) 1997-2010 PhiloSoft Design
   6 """
   7
   8 import codecs
   9
  10 universal_charset = "utf-8"
  11 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  12
  13 parsers = []
  14
  15 try:
  16    import parse_html_html5
  17 except ImportError:
  18    pass
  19 else:
  20    parsers.append(parse_html_html5.parse_html)
  21
  22 try:
  23    import parse_html_beautifulsoup
  24    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  25 except ImportError:
  26    pass
  27 else:
  28    parsers.append(parse_html_beautifulsoup.parse_html)
  29
  30 try:
  31    from parse_html_htmlparser import parse_html
  32 except ImportError:
  33    pass
  34 else:
  35     parsers.append(parse_html)
  36
  37
  38 import re
  39 from htmlentitydefs import name2codepoint
  40
  41 entity_re = re.compile("(&\w+;)")
  42 num_entity_re = re.compile("(&#[0-9]+;)")
  43
  44 def recode_entities(title, charset):
  45    output = []
  46    for part in entity_re.split(title):
  47       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  48             entity_re.match(part):
  49          _part = name2codepoint.get(part[1:-1], None)
  50          if _part is not None:
  51              part = unichr(_part).encode(charset)
  52       output.append(part)
  53    title = ''.join(output)
  54
  55    output = []
  56    for part in num_entity_re.split(title):
  57       if num_entity_re.match(part):
  58          try:
  59             part = unichr(int(part[2:-1])).encode(charset)
  60          except UnicodeEncodeError:
  61             pass # Leave the entity as is
  62       output.append(part)
  63
  64    return ''.join(output)
  65
  66
  67 def parse_html(filename, charset=None, log=None):
  68    if not parsers:
  69        return None
  70
  71    if charset:
  72       try:
  73          codecs.lookup(charset) # In case of unknown charset...
  74       except (ValueError, LookupError):
  75          charset = None         # ...try charset from HTML
  76
  77    charsets = [universal_charset, DEFAULT_CHARSET]
  78    if charset:
  79       charset = charset.lower().replace("windows-", "cp")
  80       if charset in charsets:
  81          charsets.remove(charset)
  82       charsets.insert(0, charset)
  83
  84    for p in parsers:
  85       parser = None
  86       for c in charsets:
  87          try:
  88             parser = p(filename, c, log)
  89             break
  90          except UnicodeEncodeError:
  91             pass
  92       if parser:
  93          break
  94       else:
  95          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  96
  97    converted_title = title = parser.title
  98    if title and (not parser.charset):
  99       try:
 100          unicode(title, "ascii")
 101       except UnicodeDecodeError:
 102          parser.charset = DEFAULT_CHARSET
 103
 104    if parser.charset:
 105       parser.charset = parser.charset.lower().replace("windows-", "cp")
 106
 107    if title and parser.charset and (
 108          (parser.charset <> universal_charset) or
 109          ((not charset) or (charset <> parser.charset))):
 110       try:
 111          if parser.meta_charset:
 112             if log: log("   META charset   : %s" % parser.charset)
 113          elif (not charset) or (charset <> parser.charset):
 114             if log: log("   guessed charset: %s" % parser.charset)
 115          if log: log("   current charset: %s" % universal_charset)
 116          if log: log("   title          : %s" % title)
 117          if parser.charset <> universal_charset:
 118             try:
 119                converted_title = unicode(title, parser.charset).encode(universal_charset)
 120             except UnicodeError:
 121                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 122                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 123                parser.charset = DEFAULT_CHARSET
 124          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 125       except LookupError:
 126          if log: log("   unknown charset: '%s'" % parser.charset)
 127    else:
 128       if log: log("   title          : %s" % title)
 129
 130    if title:
 131       final_title = recode_entities(converted_title, universal_charset)
 132       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 133       final_title = ' '.join([s for s in parts if s])
 134       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 135       parser.title = final_title
 136    return parser
 137
 138
 139 if __name__ == '__main__':
 140    import sys
 141
 142    l = len(sys.argv)
 143    if l == 3:
 144       filename = sys.argv[1]
 145       charset = sys.argv[2]
 146    elif l == 2:
 147       filename = sys.argv[1]
 148       charset = universal_charset
 149    else:
 150       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 151
 152    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 153    print "   refresh:", parser.refresh
 154    print "   icon   :", parser.icon