Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by Broytman. Copyright (C) 1997-2010 PhiloSoft Design
   6 """
   7
   8 import codecs
   9
  10 universal_charset = "utf-8"
  11 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  12
  13 parsers = []
  14
  15 try:
  16    import parse_html_beautifulsoup
  17    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  18 except ImportError:
  19    pass
  20 else:
  21    parsers.append(parse_html_beautifulsoup.parse_html)
  22
  23 from parse_html_htmlparser import parse_html
  24 parsers.append(parse_html)
  25
  26
  27 import re
  28 from htmlentitydefs import name2codepoint
  29
  30 entity_re = re.compile("(&\w+;)")
  31 num_entity_re = re.compile("(&#[0-9]+;)")
  32
  33 def recode_entities(title, charset):
  34    output = []
  35    for part in entity_re.split(title):
  36       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  37             entity_re.match(part):
  38          _part = name2codepoint.get(part[1:-1], None)
  39          if _part is not None:
  40              part = unichr(_part).encode(charset)
  41       output.append(part)
  42    title = ''.join(output)
  43
  44    output = []
  45    for part in num_entity_re.split(title):
  46       if num_entity_re.match(part):
  47          try:
  48             part = unichr(int(part[2:-1])).encode(charset)
  49          except UnicodeEncodeError:
  50             pass # Leave the entity as is
  51       output.append(part)
  52
  53    return ''.join(output)
  54
  55
  56 def parse_html(filename, charset=None, log=None):
  57    if charset:
  58       try:
  59          codecs.lookup(charset) # In case of unknown charset...
  60       except (ValueError, LookupError):
  61          charset = None         # ...try charset from HTML
  62
  63    charsets = [universal_charset, DEFAULT_CHARSET]
  64    if charset:
  65       charset = charset.lower().replace("windows-", "cp")
  66       if charset not in charsets:
  67          charsets.insert(0, charset)
  68
  69    for p in parsers:
  70       parser = None
  71       for c in charsets:
  72          try:
  73             parser = p(filename, c, log)
  74             break
  75          except UnicodeEncodeError:
  76             pass
  77       if parser:
  78          break
  79       else:
  80          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  81
  82    converted_title = title = parser.title
  83    if title and (not parser.charset):
  84       try:
  85          unicode(title, "ascii")
  86       except UnicodeDecodeError:
  87          parser.charset = DEFAULT_CHARSET
  88
  89    if parser.charset:
  90       parser.charset = parser.charset.lower().replace("windows-", "cp")
  91
  92    if title and parser.charset and (
  93          (parser.charset <> universal_charset) or
  94          ((not charset) or (charset <> parser.charset))):
  95       try:
  96          if parser.meta_charset:
  97             if log: log("   META charset   : %s" % parser.charset)
  98          elif (not charset) or (charset <> parser.charset):
  99             if log: log("   guessed charset: %s" % parser.charset)
 100          if log: log("   current charset: %s" % universal_charset)
 101          if log: log("   title          : %s" % title)
 102          if parser.charset <> universal_charset:
 103             try:
 104                converted_title = unicode(title, parser.charset).encode(universal_charset)
 105             except UnicodeError:
 106                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 107                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 108                parser.charset = DEFAULT_CHARSET
 109          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 110       except LookupError:
 111          if log: log("   unknown charset: '%s'" % parser.charset)
 112    else:
 113       if log: log("   title          : %s" % title)
 114
 115    if title:
 116       final_title = recode_entities(converted_title, universal_charset)
 117       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 118       final_title = ' '.join([s for s in parts if s])
 119       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 120       parser.title = final_title
 121    return parser
 122
 123
 124 if __name__ == '__main__':
 125    import sys
 126
 127    l = len(sys.argv)
 128    if l == 3:
 129       filename = sys.argv[1]
 130       charset = sys.argv[2]
 131    elif l == 2:
 132       filename = sys.argv[1]
 133       charset = universal_charset
 134    else:
 135       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 136
 137    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 138    print "   refresh:", parser.refresh
 139    print "   icon   :", parser.icon