Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by Broytman. Copyright (C) 1997-2008 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 try:
  15    import parse_html_beautifulsoup
  16    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  17 except ImportError:
  18    pass
  19 else:
  20    parsers.append(parse_html_beautifulsoup.parse_html)
  21
  22 from parse_html_htmlparser import parse_html
  23 parsers.append(parse_html)
  24
  25
  26 import re
  27 from htmlentitydefs import name2codepoint
  28
  29 entity_re = re.compile("(&\w+;)")
  30 num_entity_re = re.compile("(&#[0-9]+;)")
  31
  32 def recode_entities(title, charset):
  33    output = []
  34    for part in entity_re.split(title):
  35       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  36             entity_re.match(part):
  37          _part = name2codepoint.get(part[1:-1], None)
  38          if _part is None:
  39              _part = part
  40          else:
  41              _part = unichr(_part).encode(charset)
  42       output.append(_part)
  43    title = ''.join(output)
  44
  45    output = []
  46    for part in num_entity_re.split(title):
  47       if num_entity_re.match(part):
  48          try:
  49             part = unichr(int(part[2:-1])).encode(charset)
  50          except UnicodeEncodeError:
  51             pass # Leave the entity as is
  52       output.append(part)
  53
  54    return ''.join(output)
  55
  56
  57 def parse_html(filename, charset=None, log=None):
  58    if charset:
  59       try:
  60          codecs.lookup(charset) # In case of unknown charset...
  61       except (ValueError, LookupError):
  62          charset = None         # ...try charset from HTML
  63
  64    charsets = [universal_charset, DEFAULT_CHARSET]
  65    if charset:
  66       charset = charset.lower().replace("windows-", "cp")
  67       if charset not in charsets:
  68          charsets.insert(0, charset)
  69
  70    for p in parsers:
  71       parser = None
  72       for c in charsets:
  73          try:
  74             parser = p(filename, c, log)
  75             break
  76          except UnicodeEncodeError:
  77             pass
  78       if parser:
  79          break
  80       else:
  81          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  82
  83    converted_title = title = parser.title
  84    if title and (not parser.charset):
  85       try:
  86          unicode(title, "ascii")
  87       except UnicodeDecodeError:
  88          parser.charset = DEFAULT_CHARSET
  89
  90    if parser.charset:
  91       parser.charset = parser.charset.lower().replace("windows-", "cp")
  92
  93    if title and parser.charset and (
  94          (parser.charset <> universal_charset) or
  95          ((not charset) or (charset <> parser.charset))):
  96       try:
  97          if parser.meta_charset:
  98             if log: log("   META charset   : %s" % parser.charset)
  99          elif (not charset) or (charset <> parser.charset):
 100             if log: log("   guessed charset: %s" % parser.charset)
 101          if log: log("   current charset: %s" % universal_charset)
 102          if log: log("   title          : %s" % title)
 103          if parser.charset <> universal_charset:
 104             try:
 105                converted_title = unicode(title, parser.charset).encode(universal_charset)
 106             except UnicodeError:
 107                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 108                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 109                parser.charset = DEFAULT_CHARSET
 110          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 111       except LookupError:
 112          if log: log("   unknown charset: '%s'" % parser.charset)
 113    else:
 114       if log: log("   title          : %s" % title)
 115
 116    if title:
 117       final_title = recode_entities(converted_title, universal_charset)
 118       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 119       final_title = ' '.join([s for s in parts if s])
 120       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 121       parser.title = final_title
 122    return parser
 123
 124
 125 if __name__ == '__main__':
 126    import sys
 127
 128    l = len(sys.argv)
 129    if l == 3:
 130       filename = sys.argv[1]
 131       charset = sys.argv[2]
 132    elif l == 2:
 133       filename = sys.argv[1]
 134       charset = universal_charset
 135    else:
 136       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 137
 138    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 139    print "   refresh:", parser.refresh
 140    print "   icon   :", parser.icon