Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by BroytMann. 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    from parse_html_beautifulsoup import parse_html
  16 except ImportError:
  17    pass
  18 else:
  19    parsers.append(parse_html)
  20
  21 from parse_html_htmlparser import parse_html
  22 parsers.append(parse_html)
  23
  24
  25 import re
  26 from htmlentitydefs import entitydefs
  27
  28 entity_re = re.compile("(&\w+;)")
  29 num_entity_re = re.compile("(&#[0-9]+;)")
  30
  31 def recode_entities(title, charset):
  32    output = []
  33    for part in entity_re.split(title):
  34       if entity_re.match(part):
  35          part = entitydefs.get(part[1:-1], part)
  36       output.append(part)
  37
  38    output2 = []
  39    for part in num_entity_re.split(''.join(output)):
  40       if num_entity_re.match(part):
  41          try:
  42             part = unichr(int(part[2:-1])).encode(charset)
  43          except UnicodeEncodeError:
  44             pass # Leave the entity as is
  45       output2.append(part)
  46
  47    return ''.join(output2)
  48
  49
  50 def parse_html(filename, charset=None, log=None):
  51    if charset:
  52       try:
  53          codecs.lookup(charset) # In case of unknown charset...
  54       except (ValueError, LookupError):
  55          charset = None         # ...try charset from HTML
  56
  57    for p in parsers:
  58       parser = p(filename, charset)
  59       if parser:
  60          break
  61       else:
  62          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  63
  64    converted_title = title = parser.title
  65    if not parser.charset:
  66       try:
  67          unicode(title, "ascii")
  68       except UnicodeDecodeError:
  69          parser.charset = DEFAULT_CHARSET
  70
  71    if parser.charset:
  72       parser.charset = parser.charset.replace("windows-", "cp").lower()
  73
  74    if parser.charset and (parser.charset <> universal_charset):
  75       try:
  76          if parser.meta_charset:
  77             if log: log("   META charset   : %s" % parser.charset)
  78          else:
  79             if log: log("   HTTP charset   : %s" % parser.charset)
  80          if log: log("   current charset: %s" % universal_charset)
  81          if log: log("   title          : %s" % title)
  82          save_title = title
  83          try:
  84             converted_title = unicode(title, parser.charset).encode(universal_charset)
  85          except UnicodeError:
  86             if parser.meta_charset and parser.charset.endswith("1252") and \
  87                   not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> universal_charset):
  88                parser.charset = DEFAULT_CHARSET
  89                if log: log("   incorrect conversion from cp1252, converting from %s" % DEFAULT_CHARSET)
  90                converted_title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
  91             else:
  92                converted_title = unicode(title, parser.charset, "replace").encode(universal_charset, "replace")
  93          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
  94       except LookupError:
  95          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, universal_charset))
  96    else:
  97       if log: log("   title          : %s" % title)
  98
  99    final_title = recode_entities(converted_title, universal_charset)
 100    parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 101    final_title = ' '.join([s for s in parts if s])
 102    if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 103    parser.title = final_title
 104    return parser
 105
 106
 107 if __name__ == '__main__':
 108    import sys
 109    from m_lib.defenc import default_encoding
 110    current_charset = default_encoding.replace("windows-", "cp")
 111
 112    parser = parse_html(sys.argv[1], universal_charset)
 113    print parser.charset
 114    print parser.title
 115    print parser.title.decode(universal_charset).encode(current_charset, "replace")
 116    print parser.refresh
 117    print parser.icon