parse_html/bkmk_parse_html.py

   1 """HTML Parsers
   2
   3 This file is a part of Bookmarks database and Internet robot.
   4
   5 """
   6
   7 __author__ = "Oleg Broytman <phd@phdru.name>"
   8 __copyright__ = "Copyright (C) 1997-2017 PhiloSoft Design"
   9 __license__ = "GNU GPL"
  10
  11 __all__ = ['parse_html', 'parse_filename', 'universal_charset']
  12
  13
  14 import codecs
  15
  16 universal_charset = "utf-8"
  17 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  18
  19 parsers = []
  20
  21 try:
  22     from . import bkmk_ph_beautifulsoup4
  23 except ImportError:
  24     pass
  25 else:
  26     bkmk_ph_beautifulsoup4.DEFAULT_CHARSET = DEFAULT_CHARSET
  27     parsers.append(bkmk_ph_beautifulsoup4.parse_html)
  28
  29 try:
  30     from . import bkmk_ph_beautifulsoup
  31 except ImportError:
  32     pass
  33 else:
  34     bkmk_ph_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  35     parsers.append(bkmk_ph_beautifulsoup.parse_html)
  36
  37 try:
  38     from . import bkmk_ph_html5
  39 except ImportError:
  40     pass
  41 else:
  42     parsers.append(bkmk_ph_html5.parse_html)
  43
  44 try:
  45     from . import bkmk_ph_lxml
  46 except ImportError:
  47     pass
  48 else:
  49     parsers.append(bkmk_ph_lxml.parse_html)
  50
  51 try:
  52     from . import bkmk_ph_htmlparser
  53 except ImportError:
  54     pass
  55 else:
  56     parsers.append(bkmk_ph_htmlparser.parse_html)
  57
  58 # ElementTidy often segfaults
  59 #try:
  60 #   from . import bkmk_ph_etreetidy
  61 #except ImportError:
  62 #   pass
  63 #else:
  64 #   parsers.append(bkmk_ph_etreetidy.parse_html)
  65
  66 import re
  67 from htmlentitydefs import name2codepoint
  68
  69 entity_re = re.compile("(&\w+;)")
  70 num_entity_re = re.compile("(&#[0-9]+;)")
  71
  72 def recode_entities(title, charset):
  73     output = []
  74     for part in entity_re.split(title):
  75         if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  76               entity_re.match(part):
  77             _part = name2codepoint.get(part[1:-1], None)
  78             if _part is not None:
  79                 part = unichr(_part).encode(charset)
  80         output.append(part)
  81     title = ''.join(output)
  82
  83     output = []
  84     for part in num_entity_re.split(title):
  85         if num_entity_re.match(part):
  86             try:
  87                 part = unichr(int(part[2:-1])).encode(charset)
  88             except UnicodeEncodeError:
  89                 pass # Leave the entity as is
  90         output.append(part)
  91
  92     return ''.join(output)
  93
  94
  95 import os
  96 BKMK_DEBUG_HTML_PARSERS = os.environ.get("BKMK_DEBUG_HTML_PARSERS")
  97
  98 def parse_html(html_text, charset=None, log=None):
  99     if not parsers:
 100         return None
 101
 102     if charset:
 103         try:
 104             codecs.lookup(charset) # In case of unknown charset...
 105         except (ValueError, LookupError):
 106             charset = None         # ...try charset from HTML
 107
 108     charsets = [universal_charset, DEFAULT_CHARSET]
 109     if charset:
 110         charset = charset.lower().replace("windows-", "cp")
 111         if charset in charsets:
 112             charsets.remove(charset)
 113         charsets.insert(0, charset)
 114
 115     if BKMK_DEBUG_HTML_PARSERS:
 116         _parsers = []
 117     for p in parsers:
 118         parser = None
 119         for c in charsets:
 120             try:
 121                 parser = p(html_text, c, log)
 122             except UnicodeError:
 123                 pass
 124             else:
 125                 if parser:
 126                     if BKMK_DEBUG_HTML_PARSERS:
 127                         if log: log("   Parser %s: ok" % p.__module__)
 128                         _parsers.append((p, parser))
 129                     break
 130         else:
 131             if log: log("   Parser %s: fail" % p.__module__)
 132         if not BKMK_DEBUG_HTML_PARSERS and parser:
 133             break
 134
 135     if BKMK_DEBUG_HTML_PARSERS:
 136         if not _parsers:
 137             if log: log("   All parsers have failed")
 138             return None
 139     elif not parser:
 140         if log: log("   All parsers have failed")
 141         return None
 142
 143     if BKMK_DEBUG_HTML_PARSERS:
 144         p, parser = _parsers[0]
 145     if log: log("   Using %s" % p.__module__)
 146
 147     title = parser.title
 148     if isinstance(title, unicode):
 149         if parser.charset:
 150             parser.title = title.encode(parser.charset)
 151         else:
 152             try:
 153                 parser.title = title.encode('ascii')
 154             except UnicodeEncodeError:
 155                 parser.charset = DEFAULT_CHARSET
 156                 parser.title = title.encode(DEFAULT_CHARSET)
 157
 158     converted_title = title = parser.title
 159     if title and (not parser.charset):
 160         try:
 161             unicode(title, "ascii")
 162         except UnicodeDecodeError:
 163             parser.charset = DEFAULT_CHARSET
 164
 165     if parser.charset:
 166         parser.charset = parser.charset.lower().replace("windows-", "cp")
 167
 168     if title and parser.charset and (
 169           (parser.charset != universal_charset) or
 170           ((not charset) or (charset != parser.charset))):
 171         try:
 172             if parser.meta_charset:
 173                 if log: log("   META charset   : %s" % parser.charset)
 174             elif (not charset) or (charset != parser.charset):
 175                 if log: log("   guessed charset: %s" % parser.charset)
 176             #if log: log("   current charset: %s" % universal_charset)
 177             if log: log("   title          : %s" % title)
 178             if parser.charset != universal_charset:
 179                 try:
 180                     converted_title = unicode(title, parser.charset).encode(universal_charset)
 181                 except UnicodeError:
 182                     if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 183                     converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 184                     parser.charset = DEFAULT_CHARSET
 185             if log and (converted_title != title): log("   converted title: %s" % converted_title)
 186         except LookupError:
 187             if log: log("   unknown charset: '%s'" % parser.charset)
 188     else:
 189         if log: log("   title          : %s" % title)
 190
 191     if title:
 192         final_title = recode_entities(converted_title, universal_charset)
 193         parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 194         final_title = ' '.join([s for s in parts if s])
 195         if log and (final_title != converted_title): log("   final title    : %s" % final_title)
 196         parser.title = final_title
 197
 198     icon = parser.icon
 199     if isinstance(icon, unicode):
 200         try:
 201             parser.icon = icon.encode('ascii')
 202         except UnicodeEncodeError:
 203             if parser.charset:
 204                 parser.icon = icon.encode(parser.charset)
 205     return parser
 206
 207 def parse_filename(filename, charset=None, log=None):
 208     fp = open(filename, 'r')
 209     try:
 210         parser = parse_html(fp.read(), charset=charset, log=log)
 211     finally:
 212         fp.close()
 213     return parser