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 from m_lib.defenc import default_encoding
  11 current_charset = default_encoding.replace("windows-", "cp")
  12
  13 universal_charset = "utf-8"
  14 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  15
  16 parsers = []
  17 try:
  18    from parse_html_beautifulsoup import parse_html
  19 except ImportError:
  20    pass
  21 else:
  22    parsers.append(parse_html)
  23
  24 from parse_html_htmlparser import parse_html
  25 parsers.append(parse_html)
  26
  27
  28 import re
  29 from htmlentitydefs import entitydefs
  30
  31 entity_re = re.compile("(&\w+;)")
  32 num_entity_re = re.compile("(&#[0-9]+;)")
  33
  34 def recode_entities(title, charset):
  35    output = []
  36    for part in entity_re.split(title):
  37       if entity_re.match(part):
  38          part = entitydefs.get(part[1:-1], part)
  39       output.append(part)
  40
  41    output2 = []
  42    for part in num_entity_re.split(''.join(output)):
  43       if num_entity_re.match(part):
  44          try:
  45             part = unichr(int(part[2:-1])).encode(charset)
  46          except UnicodeEncodeError:
  47             pass # Leave the entity as is
  48       output2.append(part)
  49
  50    return ''.join(output2)
  51
  52
  53 def parse_html(filename, charset=None, log=None):
  54    if charset:
  55       try:
  56          codecs.lookup(charset) # In case of unknown charset...
  57       except (ValueError, LookupError):
  58          charset = None         # ...try charset from HTML
  59
  60    for p in parsers:
  61       parser = p(filename, charset)
  62       if parser:
  63          break
  64       else:
  65          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  66
  67    converted_title = title = parser.title
  68    if not parser.charset:
  69       try:
  70          unicode(title, "ascii")
  71       except UnicodeDecodeError:
  72          parser.charset = DEFAULT_CHARSET
  73
  74    if parser.charset:
  75       parser.charset = parser.charset.replace("windows-", "cp").lower()
  76
  77    if parser.charset and (parser.charset <> universal_charset):
  78       try:
  79          if parser.meta_charset:
  80             if log: log("   META charset   : %s" % parser.charset)
  81          else:
  82             if log: log("   HTTP charset   : %s" % parser.charset)
  83          if log: log("   current charset: %s" % universal_charset)
  84          if log: log("   title          : %s" % title)
  85          save_title = title
  86          try:
  87             converted_title = unicode(title, parser.charset).encode(universal_charset)
  88          except UnicodeError:
  89             if parser.meta_charset and parser.charset.endswith("1252") and \
  90                   not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> universal_charset):
  91                parser.charset = DEFAULT_CHARSET
  92                if log: log("   incorrect conversion from cp1252, converting from %s" % DEFAULT_CHARSET)
  93                converted_title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
  94             else:
  95                converted_title = unicode(title, parser.charset, "replace").encode(universal_charset, "replace")
  96          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
  97       except LookupError:
  98          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, universal_charset))
  99    else:
 100       if log: log("   title          : %s" % title)
 101
 102    final_title = recode_entities(converted_title, universal_charset)
 103    parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 104    final_title = ' '.join([s for s in parts if s])
 105    if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 106    parser.title = final_title
 107    return parser
 108
 109
 110 if __name__ == '__main__':
 111    import sys
 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