parse_html/bkmk_ph_html5.py

   1 """HTML Parser using html5
   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) 2010-2023 PhiloSoft Design"
   9 __license__ = "GNU GPL"
  10
  11 __all__ = ['parse_html']
  12
  13
  14 from html5lib import HTMLParser as HTML5Parser
  15 from .bkmk_ph_util import HTMLParser
  16
  17
  18 def parse_html(html_text, charset=None, log=None):
  19     parser = HTML5Parser()
  20     html_tree = parser.parse(
  21         html_text, encoding=charset, parseMeta=bool(charset))
  22
  23     html = None
  24     if hasattr(html_tree, 'childNodes'):
  25         for node in html_tree.childNodes:
  26             # Skip DocType element
  27             if (node.name == 'html') and (node.type != 3):
  28                 html = node
  29                 break
  30
  31     if not html:
  32         return None
  33
  34     for node in html.childNodes:
  35         if node.name == 'head':
  36             head = node
  37             break
  38     else:
  39         head = None
  40
  41     meta_charset = False
  42     title = None
  43     refresh = None
  44     icon = None
  45
  46     if head:
  47         for node in head.childNodes:
  48             if node.name == 'title':
  49                 if node.childNodes:
  50                     title = node.childNodes[0].value
  51                     break
  52                 else:
  53                     title = ''
  54
  55         for node in head.childNodes:
  56             if (node.name == 'meta') and \
  57                     ('http-equiv' in node.attributes) and \
  58                     (node.attributes['http-equiv'] == 'content-type'):
  59                 meta_content = node.attributes['content']
  60                 if meta_content:
  61                     try:
  62                         meta_charset = \
  63                             meta_content.lower().split('charset=')[1].\
  64                             split(';')[0]
  65                     except IndexError:
  66                         meta_charset = False
  67                     else:
  68                         break
  69             elif (node.name == 'meta') and ('charset' in node.attributes):
  70                 meta_charset = node.attributes['charset'].lower()
  71                 break
  72
  73         if not charset:
  74             charset = parser.tokenizer.stream.charEncoding[0]
  75
  76         #if title and (charset or meta_charset):
  77         #    title = title.encode(charset or meta_charset)
  78
  79         for node in head.childNodes:
  80             if node.name == 'meta' and \
  81                     ('http-equiv' in node.attributes) and \
  82                     (node.attributes['http-equiv'] == 'refresh'):
  83                 refresh = node.attributes['content']
  84                 break
  85
  86         for node in head.childNodes:
  87             if node.name == 'link' and \
  88                     ('rel' in node.attributes) and \
  89                     (node.attributes['rel'] in ('icon', 'shortcut icon')):
  90                 icon = node.attributes['href']
  91                 break
  92
  93     else:
  94         for node in html.childNodes:
  95             if node.name == 'title':
  96                 if node.childNodes:
  97                     title = node.childNodes[0].value
  98                     break
  99                 else:
 100                     title = ''
 101
 102     if (title is None) and (refresh is None) and (icon is None):
 103         return None
 104     return HTMLParser(charset, meta_charset, title, refresh, icon)