Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parser
   4
   5    Written by BroytMann. Copyright (C) 1997-2007 PhiloSoft Design
   6 """
   7
   8
   9 import sys
  10 current_charset = sys.getdefaultencoding()
  11 if current_charset == "ascii":
  12    try:
  13       import locale
  14    except ImportError:
  15       pass
  16    else:
  17       current_charset = locale.getpreferredencoding()
  18 current_charset = current_charset.replace("windows-", "cp").lower()
  19 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  20
  21
  22 from HTMLParser import HTMLParseError
  23 from m_lib.net.www.html import HTMLParser as _HTMLParser
  24
  25
  26 class HTMLHeadDone(Exception): pass
  27
  28
  29 class HTMLParser(_HTMLParser):
  30    def __init__(self, charset=None):
  31       _HTMLParser.__init__(self)
  32       self.charset = charset
  33       self.meta_charset = 0
  34       self.title = ''
  35       self.refresh = ''
  36       self.icon = None
  37
  38    def end_head(self):
  39       raise HTMLHeadDone()
  40
  41
  42    def do_meta(self, attrs):
  43       http_equiv = ""
  44       content = ""
  45
  46       for attrname, value in attrs:
  47          if value:
  48             value = value.strip()
  49             if attrname == 'http-equiv':
  50                http_equiv = value.lower()
  51             elif attrname == 'content':
  52                content = value
  53
  54       if (not self.charset) and (http_equiv == "content-type"):
  55          try:
  56             # extract charset from "text/html; foo; charset=UTF-8; bar;"
  57             self.charset = content.lower().split('charset=')[1].split(';')[0]
  58             self.meta_charset = 1 # Remember that the charset was retrieved from
  59                                   # META tag, not from the Content-Type header
  60          except IndexError:
  61             pass
  62
  63       if http_equiv == "refresh":
  64          self.refresh = content
  65
  66
  67    def start_title(self, attrs):
  68       self.accumulator = ''
  69
  70    def end_title(self):
  71       if not self.title: # use only the first title
  72          self.title = self.accumulator
  73
  74
  75    def do_link(self, attrs):
  76       has_icon = False
  77       href = None
  78
  79       for attrname, value in attrs:
  80          if value:
  81             value = value.strip().lower()
  82             if (attrname == 'rel') and (value in ('icon', 'shortcut icon')):
  83                has_icon = True
  84             elif attrname == 'href':
  85                href = value
  86
  87       if has_icon:
  88          self.icon = href
  89       else:
  90          self.icon = None
  91
  92
  93 import re
  94 entity_re = re.compile("(&#[0-9]+;)")
  95
  96 def recode_entities(title, charset):
  97    output = []
  98    for part in entity_re.split(title):
  99       if entity_re.match(part):
 100          part = unichr(int(part[2:-1])).encode(charset, "replace")
 101       output.append(part)
 102
 103    return ''.join(output)
 104
 105
 106 def parse_html(filename, charset=None, log=None):
 107    infile = open(filename, 'r')
 108    parser = HTMLParser(charset)
 109
 110    for line in infile:
 111       try:
 112          parser.feed(line)
 113       except (HTMLParseError, HTMLHeadDone):
 114          break
 115
 116    infile.close()
 117
 118    try:
 119       parser.close()
 120    except (HTMLParseError, HTMLHeadDone):
 121       pass
 122
 123    title = parser.title
 124
 125    if not parser.charset:
 126       try:
 127          unicode(title, "ascii")
 128       except UnicodeDecodeError:
 129          parser.charset = DEFAULT_CHARSET
 130
 131    if parser.charset:
 132       parser.charset = parser.charset.replace("windows-", "cp").lower()
 133
 134    if parser.charset and (parser.charset <> current_charset):
 135       try:
 136          if parser.meta_charset:
 137             if log: log("   META charset   : %s" % parser.charset)
 138          else:
 139             if log: log("   charset        : %s" % parser.charset)
 140          if log: log("   title          : %s" % title)
 141          title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
 142          if log: log("   current charset: %s" % current_charset)
 143          if log: log("   converted title: %s" % title)
 144       except LookupError:
 145          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
 146
 147    parser.title = recode_entities(title, current_charset)
 148    return parser
 149
 150
 151 if __name__ == '__main__':
 152    import sys
 153    parser = parse_html(sys.argv[1])
 154    print parser.charset
 155    print parser.title
 156    print parser.refresh
 157    print parser.icon