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 try:
  15    from parse_html_beautifulsoup import parse_html as _parse_html
  16 except ImportError:
  17    from parse_html_htmlparser import parse_html as _parse_html
  18
  19
  20 import re
  21 entity_re = re.compile("(&#[0-9]+;)")
  22
  23 def recode_entities(title, charset):
  24    output = []
  25    for part in entity_re.split(title):
  26       if entity_re.match(part):
  27          part = unichr(int(part[2:-1])).encode(charset, "replace")
  28       output.append(part)
  29
  30    return ''.join(output)
  31
  32
  33 def parse_html(filename, charset=None, log=None):
  34    if charset:
  35       try:
  36          codecs.lookup(charset) # In case of unknown charset...
  37       except (ValueError, LookupError):
  38          charset = None         # ...try charset from HTML
  39
  40    parser = _parse_html(filename, charset)
  41    title = parser.title
  42
  43    if not parser.charset:
  44       try:
  45          unicode(title, "ascii")
  46       except UnicodeDecodeError:
  47          parser.charset = DEFAULT_CHARSET
  48
  49    if parser.charset:
  50       parser.charset = parser.charset.replace("windows-", "cp").lower()
  51
  52    if parser.charset and (parser.charset <> current_charset):
  53       try:
  54          if parser.meta_charset:
  55             if log: log("   META charset   : %s" % parser.charset)
  56          else:
  57             if log: log("   HTTP charset   : %s" % parser.charset)
  58          if log: log("   current charset: %s" % current_charset)
  59          if log: log("   title          : %s" % title)
  60          save_title = title
  61          try:
  62             title = unicode(title, parser.charset).encode(current_charset)
  63          except UnicodeError:
  64             if parser.meta_charset and parser.charset.endswith("1252") and \
  65                   not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> current_charset):
  66                parser.charset = DEFAULT_CHARSET
  67                if log: log("   incorrect conversion from cp1252, converting from %s" % DEFAULT_CHARSET)
  68                title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(current_charset, "replace")
  69             else:
  70                title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
  71          if log: log("   converted title: %s" % title)
  72       except LookupError:
  73          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
  74
  75    parser.title = recode_entities(title, current_charset)
  76    return parser
  77
  78
  79 if __name__ == '__main__':
  80    import sys
  81    parser = parse_html(sys.argv[1], current_charset)
  82    print parser.charset
  83    print parser.title
  84    print parser.refresh
  85    print parser.icon