Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by BroytMann. Copyright (C) 1997-2007 PhiloSoft Design
   6 """
   7
   8 import codecs
   9
  10 from m_lib.defenc import default_encoding
  11 current_charset = default_encoding.replace("windows-", "cp")
  12 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  13
  14 parsers = []
  15 try:
  16    from parse_html_beautifulsoup import parse_html
  17 except ImportError:
  18    pass
  19 else:
  20    parsers.append(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 entitydefs
  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
  35    for part in num_entity_re.split(title):
  36       if num_entity_re.match(part):
  37          try:
  38             part = unichr(int(part[2:-1])).encode(charset)
  39          except UnicodeEncodeError:
  40             pass # Leave the entity as is
  41       output.append(part)
  42
  43    output2 = []
  44    for part in entity_re.split(''.join(output)):
  45       if entity_re.match(part):
  46          part = entitydefs.get(part[1:-1], part)
  47       output2.append(part)
  48
  49    return ''.join(output2)
  50
  51
  52 def parse_html(filename, charset=None, log=None):
  53    if charset:
  54       try:
  55          codecs.lookup(charset) # In case of unknown charset...
  56       except (ValueError, LookupError):
  57          charset = None         # ...try charset from HTML
  58
  59    for p in parsers:
  60       parser = p(filename, charset)
  61       if parser:
  62          break
  63       else:
  64          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  65
  66    converted_title = title = parser.title
  67    if not parser.charset:
  68       try:
  69          unicode(title, "ascii")
  70       except UnicodeDecodeError:
  71          parser.charset = DEFAULT_CHARSET
  72
  73    if parser.charset:
  74       parser.charset = parser.charset.replace("windows-", "cp").lower()
  75
  76    if parser.charset and (parser.charset <> current_charset):
  77       try:
  78          if parser.meta_charset:
  79             if log: log("   META charset   : %s" % parser.charset)
  80          else:
  81             if log: log("   HTTP charset   : %s" % parser.charset)
  82          if log: log("   current charset: %s" % current_charset)
  83          if log: log("   title          : %s" % title)
  84          save_title = title
  85          try:
  86             converted_title = unicode(title, parser.charset).encode(current_charset)
  87          except UnicodeError:
  88             if parser.meta_charset and parser.charset.endswith("1252") and \
  89                   not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> current_charset):
  90                parser.charset = DEFAULT_CHARSET
  91                if log: log("   incorrect conversion from cp1252, converting from %s" % DEFAULT_CHARSET)
  92                converted_title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(current_charset, "replace")
  93             else:
  94                converted_title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
  95          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
  96       except LookupError:
  97          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
  98    else:
  99       if log: log("   title          : %s" % title)
 100
 101    final_title = recode_entities(converted_title, current_charset)
 102    parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 103    final_title = ' '.join([s for s in parts if s])
 104    if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 105    parser.title = final_title
 106    return parser
 107
 108
 109 if __name__ == '__main__':
 110    import sys
 111    parser = parse_html(sys.argv[1], current_charset)
 112    print parser.charset
 113    print parser.title
 114    print parser.refresh
 115    print parser.icon